Streamlit – это платформа Python с открытым исходным кодом, которая позволяет нам создавать веб-приложения. Это самый быстрый способ создать и развернуть приложение с минимальным количеством строк кода.
Это первая платформа приложений, созданная специально дляэнтузиастов машинного обучения и науки о данных.
С помощью этого пакета вы можете представить различные демонстрации приложений ML, некоторые из них перечислены ниже:
- Обобщение текста
- Перевод текста
- Анализатор настроений
- Текстовая классификация
- Вопрос Ответ
- Распознавание именованных объектов
В качестве примера я создал многоязычную систему ответов на вопросы, которая представлена в GIF ниже. По сути, он использует текстовый отрывок в качестве входных данных для создания вопросов, а также позволяет пользователю задать вопрос в качестве входных данных и извлечь ответ поверх него.
Хороший способ проиллюстрировать результаты вашей модели машинного обучения — использовать панели аналитики. Инструменты визуализации данных, такие как Tableau, или настраиваемые инструменты с использованием веб-фреймворков, таких как Django или Flask, упрощают создание таких информационных панелей. Это лучше объясняет модель и делает ее прозрачной, что облегчает принятие решений. Но создание этих информационных панелей обычно требует больших затрат и времени.
Именно здесь появился Streamlit, который показал себя лучше с точки зрения затрат на техническое обслуживание, поскольку они снижают наши технические обязательства примерно на 80%, и вы можете компенсировать это за очень короткое время.
Сравнение различных фреймворков Python представлено в таблице ниже.
Если мы являемся учеными или энтузиастами Python, машинного обучения или глубокого обучения, нам не нужно знать Javascript, HTML или CSS, а также различные пакеты URL-адресов POST/GET в стеке, как при использовании обычных фреймворков Python. Несмотря на то, что Streamlit их поддерживает, вам не нужно их изучать. Простое знание Streamlit и, возможно, немного Docker может помочь.
Все, что вам нужно для работы с Streamlit, — это базовые знания Python, и вы готовы к работе.
Streamlit поддерживает различные библиотеки визуализации данных, такие как matplotlib, seaborn, vega-lite, altair, plotly, pyDeck и т. д., которые могут быть представлены в различных диаграммах.
Метод загрузки файла позволяет пользователям загружать входные данные в виде CSV-файла, как показано на GIF-файле ниже. Точно так же вы можете загружать и скачивать файлы из приложения во всех форматах файлов.
С помощью Streamlit вы можете сообщать о различных аналитических данных. Сюда входит информация из исследовательского анализа данных, т.е. профилирование панды, где вы можете создавать отчеты из заданного набора данных, результатов моделей обучения с учителем, таких как классификация и регрессия, понимание моделей обучения без учителя и т. д.
Он поддерживает горячую перезагрузку, которая очень удобна для разработчиков и позволяет обновлять приложение в режиме реального времени, редактируя и сохраняя файл.
Возможно, самым большим недостатком Streamlit будут проблемы с задержкой, поскольку он повторно запускает весь код каждый раз, когда вы совершаете какое-либо действие на панели инструментов. Чтобы решить эту проблему, он предлагает декоратор, то есть @cache, который позволяет нам экранировать функции в скрипте, если функция была запущена ранее с текущими параметрами, что упрощает и ускоряет конвейеры вычислений.
Внедрение Streamlit сделало разработку информационной панели для вашей модели машинного обучения невероятно простой.
Развернуть приложение Streamlit так же просто, как и разработать его.
Для получения подробной информации посетите страницу официальной документации Streamlit.
Один скрипт Python отделяет вас от создания собственного веб-приложения :)
Ссылки :
