如何优雅地展现机器学习项目！
不少数据科学工做者都存在这样一个痛点，因为没有能点亮网页前端的技能树，致使在项目展现或项目合做时，没法快速开发出这样一套用户界面以供使用。而今天要介绍的Streamlit正是为了应对这一痛点而生的。Streamlit是一个机器学习工程师专用的，专门针对机器学习和数据科学团队的应用开发框架，是目前开发自定义机器学习工具的最快的方法。能够认为它的目标是取代Flask在机器学习项目中的地位，能够帮助机器学习工程师快速开发用户交互工具。
本文目录：
前端
1. Streamlit是什么 2. 如何开始一个Streamlit项目 3. Streamlit架构与设计初探python
-
APP模型git
网页布局github
4. 经常使用工具总结web
-
显示文本spring
显示数据json
显示交互控件bootstrap
显示图表缓存
其余工具前端框架
侧边栏
5. 重要功能
-
缓存机制
录屏功能
6. 近期重大更新
7. 优秀demo
-
自动驾驶目标检测
GAN面部生成项目
1、Streamlit是什么？
Streamlit是一个强大的python开源工具包，能够用来快速搭建web app，以优雅地展现你的机器学习或数据科学项目。Streamlit的优点在于：
不须要任何网页前端设计基础便可轻松搭建web app
因为web自己会随着代码块自动刷新，写程序时能够及时观察到每一步代码改动对于网页的显示效果影响，方便调试
交互式界面能够优雅地展现数据科学项目
streamlit的代码框架遵循从上到下的运行逻辑，极易理解，所见即所得
2、如何开始一个Streamlit项目
在安装streamlit以前，须要注意python版本至少为3.6。使用pip安装streamlit库
$ pip install streamlit
在python脚本中导入包
import streamlit as st启动一个streamlit app有两种方式（命令行）。
1）直接运行本地的python文件
$ streamlit run myapp.py
2）运行远程url，这个功能能够直接运行github中的连接
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-uber-nyc-pickups/master/app.py
能够尝试运行如下命令启动官网提供的demo项目
$ streamlit hello
3、Streamlit架构与设计初探
在开始介绍streamlit提供的诸多小工具以前，须要简单介绍下streamlit的架构和布局设计思路。
3.1 APP模型
下图为官网展现的app模型架构图，一个streamlit app是这样工做的：
streamlit会将python脚本按顺序从上往下运行
每次用户打开指向该app服务的网页时，整个脚本会被从新执行
在脚本运行的过程当中，streamlit会将数据表，图像，控件等实时地显示在网页上
在运行过程当中，streamlit会优先调用缓存（须要用户在程序中设置）避免高昂计算过程
每次用户和控件进行交互时，脚本会被从新执行，图像，控件等被从新显示为新的值
3.2 网页布局
Streamlit的布局结构十分简单（这既是它的优势，也是它的缺点）。和bootstrap等前端框架中的复杂栅格布局不一样，Streamlit只支持左侧边栏和右侧正文栏的布局，事实上因为上一节提到Streamlit特殊的从上往下执行程序的结构，用户也无需考虑到布局问题，控件会按照程序中的顺序从上往下天然排列。这样的设计天然是极大程度上简化了用户在布局设计上所花的精力，能够将精力更多地用在项目展现上。
4、经常使用工具总结
4.1 显示文本
st.title
st.header
st.subheader
st.text
st.markdown
st.code
- st.write
经常使用的显示文本命令包括大标题title, 正文标题header，正文副标题subheader，正文文本text，markdown格式（支持文字和emoji表情），代码code
st.title('Streamlit introduction')st.header('Build your first app')st.subheader('Text widgets are shown as below')st.text('I am the tool to display text')st.markdown('I am the *tool* to **display markdown**')st.markdown(':sunglasses:')st.code('''def hello(): print("Hello, Streamlit!")''', language='python')
在streamlit中还有一个万能显示工具st.write，该方法中能够接受多种格式的输入参数，如文本，markdown，数据框，图表，字典，函数，而且随着输入格式的不一样，会以不一样方式呈现。
4.2 显示数据
st.table
st.dataframe
- st.json
streamlit支持数据框以及json的格式显示数据，其中table和dataframe的区别在于table为静态数据，dataframe为动态数据。
df = pd.DataFrame( np.random.randn(10, 5), columns=('col %d' % i for i in range(5)))
st.table(df)st.dataframe(df)
st.json({ 'foo': 'bar', 'baz': 'boz', 'stuff': [ 'stuff 1', 'stuff 2', 'stuff 3', 'stuff 5', ], })
4.3 显示交互控件
st.checkbox
st.selectbox
st.multiselect
st.ratio
- st.slider
这一组工具能够用于构建机器学习模型时用户参数的选择，以下拉单选，下拉多选，滑块选择等功能。
st.write('-----------------------------------------checkbox--------------------------------------------')agree = st.checkbox('I agree')if agree: st.write('Great! You agreed!')
st.write('-----------------------------------------selectbox-------------------------------------------')option = st.selectbox( 'Select your model', ('decision tree', 'logistic regression', 'SVM'))st.write('You selected:', option)
st.write('-----------------------------------------multiselect-------------------------------------------')options = st.multiselect( 'What are your favorite colors', ['Green', 'Yellow', 'Red', 'Blue'], ['Yellow', 'Red'])st.write('You selected:', options)
st.write('-----------------------------------------ratio-------------------------------------------')genre = st.radio( "What's your favorite model", ('linear regression', 'neural network'))if genre == 'linear regression': st.write('You like simple model')else: st.write("You like complex model")
st.write('-----------------------------------------slider-------------------------------------------')st.slider('How old are you?', min_value=0, max_value=100, value=20, step=5)
st.text_input
st.number_input
st.text_area
st.date_input
- st.file_uploader
这一组工具可用于构建机器学习模型时的不一样格式的用户输入以及数据上传。其中file_uploader默认支持的文件上传大小上限为200MB。
st.write('-----------------------------------------text_input--------------------------------------------')st.text_input('Movie title', 'Life of Brian')
st.write('-----------------------------------------number_input-------------------------------------------')st.number_input('Insert a number')
st.write('-----------------------------------------text_area-------------------------------------------')txt = st.text_area('Text to analyze', '''It was the best of times, it was the worst of times, it wasthe age of wisdom, it was the age of foolishness, it wasthe epoch of belief, it was the epoch of incredulity, itwas the season of Light, it was the season of Darkness, itwas the spring of hope, it was the winter of despair, (...)''')
st.write('-----------------------------------------date_input-------------------------------------------')st.date_input( "When's your birthday", datetime.date(2019, 7, 6))
st.write('-----------------------------------------file_uploader-------------------------------------------')uploaded_file = st.file_uploader("Choose a CSV file", type="csv")
4.4 显示图表
st.line_chart
st.bar_chart
st.area_chart
streamlit自己支持原生的三种图表形式，折线图，柱状图和面积图，不过通常不太会用到，由于streamlit还支持大量的第三方可视化图表接口。
chart_data = pd.DataFrame( np.random.randn(20, 3), columns=['a', 'b', 'c'])st.line_chart(chart_data)
chart_data = pd.DataFrame( np.random.randn(50, 3), columns=["a", "b", "c"])st.bar_chart(chart_data)
chart_data = pd.DataFrame( np.random.randn(20, 3), columns=['a', 'b', 'c'])st.area_chart(chart_data)
st.pyplot
st.altair_chart
st.plotly_chart
st.bokeh_chart
st.pydeck_chart
st.deck_gl_chart
- st.graphviz_chart
streamlit的强大之处在于提供了大量第三方可视化接口, 以最广泛的matplotlib为例，只需在常规的代码基础上加上一句st.pyplot()便可显示在网页上显示图表
arr = np.random.normal(1, 1, size=100)plt.hist(arr, bins=20)st.pyplot()
4.5 其余工具
st.image
st.audio
st.video
这是一组用于展现图片，音频和视频的功能
st.progress
st.spinner
progress用于在循环中显示进度条，spinner用于提示代码正在运行
st.error
st.warning
st.info
st.success
这是一组用于显示不一样状态的工具
st.error('This is an error')st.warning('This is a warning')st.info('This is a purely informational message')st.success('This is a success message!')
4.6 侧边栏
上述提到几乎全部工具都可放置在侧边栏，代码以st.sidebar.[element_name]的形式给出，以selectbox为例，st.sidebar.selectbox即表示该工具会出如今左侧。一样侧边栏的工具布局也是按照代码顺序从上往下显示。
add_selectbox = st.sidebar.selectbox( "How would you like to be contacted?", ("Email", "Home phone", "Mobile phone"))
5、重要功能
5.1 缓存机制
缓存机制是streamlit的一大重要功能，缓存功能使得用户在加载或处理大型数据时能够直接读取缓存，避免昂贵的计算过程。
streamlit的缓存机制是经过@st.cache的装饰器实现的。
@st.cache def expensive_computation(a, b): time.sleep(10) return a * b
a = 2b = 21res = expensive_computation(a, b)
st.write("Result:", res)
每当程序运行至被cache装饰的函数时，当第一次运行时，会正常执行并将结果存入缓存，当函数被再次运行，首先会判断函数的输入参数，函数主体内容是否发生变化，若是发生变化，则从新运行函数，不然将跳过函数，直接读取缓存结果。
5.2 录屏功能
streamlit还提供了一个很是有用的录屏功能，在网页右上角的菜单栏，有一个Record a screencast功能，能够支持录制屏幕互动操做，很是适合团队协做和效果展现。
6、近期重大更新
streamlit虽然问世不久，已经拥有十分活跃的社区和用户群，而且官网也在不断丰富现有的功能中，以应对用户各类广泛的需求。根据官网发布的2020路线图，今天预计会有一些重大的新功能推出，包括：
定制化的组件（用户自定义Javascript/React)
定制化布局结构（全新推出的网格和水平布局）
更为丰富的缓存机制
7、优秀demo
官网收录了许多优秀的demo做品，充分展现出streamlit的强大之处和应用前景。
7.1 自动驾驶目标检测
这个项目使用不到300行代码，经过streamlit的交互界面展现了Udacity自动驾驶数据集和YOLO目标检测方法的应用。
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py
7.2 GAN面部生成项目
这个项目使用仅仅150行代码，展现了tensorflow和Nvidia的Progressive Growing of GANs以及Shaobo Guan的Transparent Latent-space GAN方法在面部特征生成中的应用。
$ git clone https://github.com/streamlit/demo-face-gan.git$ cd demo-face-gan$ pip install -r requirements.txt$ streamlit run app.py
- 1. 如何优雅地展现机器学习项目！
- 2. 在机器学习项目中该如何选择优化器
- 3. 机器学习项目中该如何选择优化器
- 4. 如何优雅地打开堆满数学公式的机器学习论文
- 5. 如何优雅地pull request
- 6. 如何优雅地老去
- 7. 如何优雅地做BI
- 8. 如何优雅地调试
- 9. Python项目中如何优雅的import
- 10. 如何在项目优雅使用webp
- 更多相关文章...
- • XSD 如何使用? - XML Schema 教程
- • Mozilla 项目 - 浏览器信息
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • 适用于PHP初学者的学习线路和建议
-
每一个你不满意的现在，都有一个你没有努力的曾经。
- 1. 如何优雅地展现机器学习项目！
- 2. 在机器学习项目中该如何选择优化器
- 3. 机器学习项目中该如何选择优化器
- 4. 如何优雅地打开堆满数学公式的机器学习论文
- 5. 如何优雅地pull request
- 6. 如何优雅地老去
- 7. 如何优雅地做BI
- 8. 如何优雅地调试
- 9. Python项目中如何优雅的import
- 10. 如何在项目优雅使用webp