wehub/gradio-app--gradio

Fork 0

Files

T

wehub-resource-sync 4468bc2a07

publish / version_or_publish (push) Has been cancelled

Details

docs: make Chinese README the default

2026-07-13 10:23:17 +00:00

13 KiB

Raw Permalink Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

官网 | 文档 | 指南 | 入门 | 示例

English | 中文

Gradio：用 Python 构建机器学习 Web 应用

Gradio 是一个开源 Python 包，可让你快速构建机器学习模型、API 或任意 Python 函数的演示或 Web 应用。随后，你还可以借助 Gradio 内置的分享功能，在几秒钟内分享演示或 Web 应用的链接。无需 JavaScript、CSS 或 Web 托管经验！

只需几行 Python 代码即可创建你自己的演示，让我们开始吧 💫

安装

前提条件：Gradio 需要 Python 3.10 或更高版本.

我们建议使用 pip 安装 Gradio，Python 默认已包含该工具。请在终端或命令提示符中运行：

pip install --upgrade gradio

Tip

最好在虚拟环境中安装 Gradio。所有常见操作系统的详细安装说明请见此处。

构建你的第一个 Demo

你可以在常用的代码编辑器、Jupyter notebook、Google Colab，或任何编写 Python 的地方运行 Gradio。让我们编写你的第一个 Gradio 应用：

import gradio as gr

def greet(name, intensity):
    return "Hello, " + name + "!" * int(intensity)

demo = gr.Interface(
    fn=greet,
    inputs=["text", "slider"],
    outputs=["text"],
    api_name="predict"
)

demo.launch()

Tip

我们将导入名从 gradio 简写为 gr。这是广泛采用的约定，可提高代码可读性。

现在，运行你的代码。如果你将 Python 代码写在名为 app.py 的文件中，则应在终端运行 python app.py。

如果从文件运行，下面的演示将在浏览器中的 http://localhost:7860 上打开。如果在 notebook 中运行，演示将嵌入显示在 notebook 内。

在左侧文本框中输入你的名字，拖动滑块，然后点击 Submit 按钮。右侧应会显示友好的问候语。

Tip

在本地开发时，你可以以热重载模式（hot reload mode）运行 Gradio 应用，这样每当你修改文件时，应用都会自动重新加载。为此，只需在文件名前输入 gradio，而不是 python。在上面的示例中，你应在终端输入：gradio app.py。你也可以使用 --vibe 标志启用vibe 模式（vibe mode），例如 gradio --vibe app.py，它会提供浏览器内聊天功能，可用自然语言编写或编辑 Gradio 应用。更多信息请参阅热重载指南（Hot Reloading Guide）。

理解 Interface 类

你会注意到，要创建第一个演示，你需要实例化 gr.Interface 类。Interface 类用于为机器学习模型创建演示，这些模型接受一个或多个输入，并返回一个或多个输出。

Interface 类有三个核心参数：

fn：要为其包装用户界面（UI）的函数
inputs：用于输入的 Gradio 组件。组件数量应与函数参数数量一致。
outputs：用于输出的 Gradio 组件。组件数量应与函数返回值数量一致。

fn 参数非常灵活——你可以传入任意需要用 UI 包装的 Python 函数。在上面的示例中，我们看到的是一个相对简单的函数，但该函数可以是音乐生成器、税务计算器，或预训练机器学习模型的预测函数等任何功能。

inputs 和 outputs 参数接受一个或多个 Gradio 组件。正如我们将看到的，Gradio 包含超过 30 个内置组件（例如 gr.Textbox()、gr.Image() 和 gr.HTML() 组件），专为机器学习应用而设计。

Tip

对于 inputs 和 outputs 参数，你可以将这些组件的名称作为字符串传入（"textbox"），或传入类的实例（gr.Textbox()）。

如果你的函数接受多个参数（如上例所示），请向 inputs 传入输入组件列表，每个输入组件按顺序对应函数的一个参数。如果函数返回多个值，做法相同：只需向 outputs 传入组件列表即可。这种灵活性使 Interface 类成为创建演示的非常强大的方式。

我们将在构建 Interface. 系列中更深入地介绍 gr.Interface

分享你的 Demo

再漂亮的演示，若无法分享也意义不大。Gradio 让你轻松分享机器学习演示，而无需操心在 Web 服务器上托管的麻烦。只需在 launch() 中设置 share=True，就会为你的演示创建一个可公开访问的 URL。让我们回到示例演示，但将最后一行修改如下：

import gradio as gr

def greet(name):
    return "Hello " + name + "!"

demo = gr.Interface(fn=greet, inputs="textbox", outputs="textbox")
    
demo.launch(share=True)  # Share your demo with just 1 extra parameter 🚀

运行此代码后，几秒钟内就会为你的演示生成一个公开 URL，类似：

👉 https://a23dsf231adb.gradio.live

现在，世界各地的任何人都可通过浏览器试用你的 Gradio 演示，而机器学习模型及所有计算仍在你本地计算机上运行。

要了解更多分享演示的方法，请阅读我们关于分享 Gradio 应用. 的专门指南

Gradio 概览

到目前为止，我们一直在讨论 Interface 类，这是一个高级类，可让你用 Gradio 快速构建 demo。但 Gradio 还包含哪些内容呢？

使用 `gr.Blocks` 构建自定义 Demo

Gradio 提供了一种低级方法，借助 gr.Blocks 类，可设计具有更可定制布局和数据流的 Web 应用。Blocks 支持例如控制组件在页面中的位置、处理多条数据流以及更复杂的交互（例如输出可作为其他函数的输入），并根据用户交互更新组件的属性/可见性——这一切都仍在 Python 中完成。

你可以使用 gr.Blocks() 构建非常定制且复杂的应用。例如，流行的图像生成 Automatic1111 Web UI 就是使用 Gradio Blocks 构建的。我们在关于使用 Blocks 构建. 的系列文章中更深入地介绍了 gr.Blocks。

使用 `gr.ChatInterface` 构建聊天机器人

Gradio 还包含另一个高级类 gr.ChatInterface，专门用于创建 Chatbot UI。与 Interface 类似，你提供一个函数，Gradio 就会创建一个完整可用的 Chatbot UI。如果你想创建聊天机器人，可以直接跳转到我们关于 gr.ChatInterface 的专用指南.

Gradio Python 与 JavaScript 生态系统

以上就是核心 gradio Python 库的要点，但 Gradio 实际上远不止如此！它是一个完整的 Python 和 JavaScript 库生态系统，让你可以用 Python 或 JavaScript 构建机器学习应用，或以编程方式查询它们。以下是 Gradio 生态系统的其他相关部分：

Gradio Python Client (gradio_client)：在 Python 中以编程方式查询任何 Gradio 应用。
Gradio JavaScript Client (@gradio/client)：在 JavaScript 中以编程方式查询任何 Gradio 应用。
Hugging Face Spaces: 托管 Gradio 应用最受欢迎的平台——而且是免费的！
Server mode (gradio.Server)：使用 Gradio 的后端构建自定义前端——包含队列、流式传输、MCP、ZeroGPU 和 Spaces 托管。

接下来做什么？

继续按顺序通过 Gradio Guides 学习 Gradio，其中包含说明、示例代码以及嵌入式交互式 demo。下一篇：让我们更深入地了解 Interface 类.

或者，如果你已掌握基础知识并在寻找特定内容，可以搜索更技术性的 API 文档.

AI 编程技能（Skills）

Gradio 提供了一个「skill」，可为 AI 编程助手（如 Cursor、Claude Code、Codex 等）补充 Gradio 专属知识，使其更高效地构建 Gradio 应用。这在创建自定义 Gradio 组件或样式时尤其有用。只需一条命令即可为你的编程助手安装 Gradio skill：

gradio skills add --cursor   # or --claude, --codex, --opencode

使用 --global 在用户级别安装（适用于所有项目）。该 skill 将自动对相应的编程 agent 可用。

你也可以为特定的 Gradio Space 安装 skill，它会动态生成 API 使用文档（Python、JS、cURL）：

gradio skills add abidlabs/en2fr --cursor

有问题？

如果你想报告 bug 或提出功能请求，请在 GitHub 上创建 issue.。关于使用的一般性问题，我们在 Discord 服务器上随时提供帮助。

如果你喜欢 Gradio，欢迎在 GitHub 上给我们点个 ⭐！

开源技术栈

Gradio 构建在许多优秀的开源库之上！

许可证

Gradio 根据 Apache License 2.0 许可，许可证文本位于本仓库根目录的 LICENSE 文件中。

引用

另请参阅论文 Gradio: Hassle-Free Sharing and Testing of ML Models in the Wild, ICML HILL 2019，若你在工作中使用 Gradio，请引用此文。

@article{abid2019gradio,
  title = {Gradio: Hassle-Free Sharing and Testing of ML Models in the Wild},
  author = {Abid, Abubakar and Abdalla, Ali and Abid, Ali and Khan, Dawood and Alfozan, Abdulrahman and Zou, James},
  journal = {arXiv preprint arXiv:1906.02569},
  year = {2019},
}

13 KiB Raw Permalink Blame History Unescape Escape