对于机器学习开发者来说 创建一个应用有多难？

机器学习开发人员构建应用程序有多困难？事实上，您只需要知道Python代码，剩下的工作可以交给一个工具。最近，Streamlit的联合创始人Adrien Treuille写了一篇文章介绍机器学习工具开发框架——Streamlit，这是一个专门为机器学习工程师创建的免费开源应用构建框架。当您编写Python代码时，该工具可以实时更新您的应用程序。目前，“细流”的GitHub Star容量已超过3400，媒体热度已达到9000。

细流网站：https://streamlit.io/吉特百货地址：https://github.com/streamlit/streamlit/

使用300行Python代码，编写了一个能够实时执行神经网络推理的语义搜索引擎。

根据我的经验，每个非凡的机器学习项目都与内部工具集成在一起，这些工具充满了错误，难以维护。这些工具通常是用Jupyter笔记本和Flask应用程序编写的，它们很难部署，需要在客户端服务器架构(C/S架构)上进行推理，并且不能很好地与机器学习组件(如Tensorflow GPU会话)集成。

我第一次看到这样的工具是在卡内基梅隆大学，然后是在伯克利、谷歌X和Zoox。这些工具最初只是小型Jupyter笔记本：传感器校准工具、模拟比较应用、激光雷达校准应用、场景再现工具等。

当一个工具变得越来越重要时，项目经理就会参与进来：过程和需求都在增加。这些单独的项目变成了代码脚本，并逐渐发展成冗长的“维护噩梦”

机器学习工程师创建应用程序的过程(即席)。

当一个工具至关重要时，我们将组建一个工具团队。他们熟练地写下Vue和React，并在笔记本电脑上粘贴带有声明性框架的贴纸。他们的设计过程是这样的：

工具团队构建应用程序的过程(干净整洁，从头开始)。

这简直太棒了！但是所有这些工具都需要新功能，比如每周上线的新功能。但是，工具团队可能同时支持10个以上的项目，他们会说，“我们将在两个月内更新您的工具。

我们回到了之前构建我们自己的工具的过程：部署烧瓶应用程序，编写HTML、CSS和JavaScript，并尝试版本控制从笔记本到样式表的一切。我的朋友蒂亚戈泰西拉和我在谷歌X工作，他们开始思考：如果构建工具像编写Python脚本一样简单呢？

我们希望没有工具团队，机器学习工程师也能构建好的应用程序。这些内部工具应该自然地作为机器学习工作流的副产品出现。编写这样的工具感觉就像在Jupyter中训练神经网络或执行特别分析！同时，我们也希望保留强大应用框架的灵活性。我们想创造让工程师们自豪的好工具。

我们想要的应用程序构建过程如下：

简化应用程序构建过程。

与优步、推特、缝合修复、Dropbox等的工程师一起。我们在一年内创建了Slylit，这是一个面向机器学习工程师的免费开源应用框架。细流的核心原则对于任何原型来说都更简单、更纯粹。

细流的核心原则如下：

1.拥抱蟒蛇

细流应用程序是一个完全从上到下运行的脚本，没有隐藏状态。您可以使用函数调用来处理代码。只要你能写Python脚本，你就能写流线应用。例如，您可以根据以下代码写入屏幕：

importstreamlitasstst.write(“你好，世界！”)

2.将小部件视为变量

细流中没有回调！每一次互动都只是脚本自上而下的重新运行。这种方法使代码非常简洁：

import streamlinetastx=ST . slider(' x ')ST . write(x，' squaredis '，x*x)

用3行代码编写的简化交互式应用程序。

3.重用数据和计算

如果您想下载大量数据或执行复杂的计算，该怎么办？关键是在多次运行中安全地重用信息。Streamlit引入了缓存原语，这就像一个连续的默认不可更改的数据存储，确保了Streamlit应用程序能够轻松安全地重用信息。例如，以下代码只能从乌达城自动驾驶仪项目(https://github.com/udacity/self-driving-car)下载一次数据，以获得一个简单快速的应用程序：

使用st.cache在多个细流运行中保存数据。有关代码操作说明，请参见：https://git . git hub.com/treulile/c 633 dc8 BC 86 EFA 98 EB 8 Abe 76478 aa 81 # git comment-3041475。

运行上面st.cache示例的输出。

简而言之，“简化”的工作流程如下：

每个用户交互都需要从头开始运行所有脚本。

Streamlit根据小部件状态为每个变量分配最新值。

缓存可确保简化数据和计算的重用。

如下图所示：

用户事件触发了Streamlit从头开始重新运行脚本。在不同的运行中只保留缓存。

如果你感兴趣，你可以马上试试！只需运行以下行：

网络浏览器将自动打开并转到本地的细流应用程序。如果没有浏览器窗口出现，只需点击链接。

这些想法简单但有效，使用流线不会阻止你创建丰富有用的应用。当我在Zoox和谷歌X工作时，我看到自动驾驶汽车项目发展成几个需要搜索和理解的可视数据，包括用图像数据运行模型来比较性能。我看到的每个自动驾驶汽车项目都有一个完整的团队在开发工具。

在细流中构建这样的工具非常简单。下面的Streamlit演示可以在整个Udacity自动驾驶汽车照片数据集上执行语义搜索，可视化人类标记的真实价值标签，并在应用程序中实时运行完整的神经网络(YOLO)。

这个300行的流线演示结合了语义视觉搜索和交互式神经网络推理。

整个应用程序只有300行Python代码，其中大部分是机器学习代码。事实上，整个应用程序中只有23个细流调用。你可以试一试：

当我们与机器学习团队合作完成他们的项目时，我们逐渐意识到这些简单的想法会带来很多重要的好处：

细流应用程序是一个纯Python文件。您可以使用自己喜欢的编辑器和调试器。

我喜欢使用VSCode编辑器(左)和Chrome(右)来构建应用程序。

纯Python代码可以与源代码控制软件(如Git)无缝接口，包括提交、请求、问题和注释。因为细流的底层语言是Python，所以您可以免费利用这些协作工具。

细流应用程序是一个Python脚本，因此您可以使用Git轻松地执行版本控制。

Streamlit提供了一个实时编程环境。当细流检测到源文件更改时，只需单击“总是重新运行”。

单击“总是重新运行”以确保实时编程。

缓存简化了计算过程。一系列缓存功能自动创建一个高效的计算过程！您可以尝试以下代码：

流线中的简单计算过程。运行上述代码，请参考说明：https://gist . git hub.com/treu ile/AC 7755 EB 37 c 63 a 78 fac 7 dfef 89 f 3517 e # git comment-3041436。

基本上，该过程包括加载元数据到创建摘要(加载元数据创建摘要)等步骤。每次脚本运行时，简化只需要重新计算流程的一个子集。

为了确保应用程序的可执行性，流线只计算更新用户界面所需的部分。

流线适用于GPU。Streamlit可以直接访问机器级原语(如TensorFlow、PyTorch)并补充这些库。例如，在下面的演示中，Streamlit的缓存存储了整个nvidia PGGAN。该方法使应用程序能够在用户更新左滑块时执行近乎即时的推理。

Streamlit应用程序使用TL-GAN来演示nvidia PGGAN的效果。

细流是一个免费的开源库，不是一个私人的网络应用。您可以在不提前联系我们的情况下在本地部署简化应用。您甚至可以在不联网的情况下在笔记本电脑上本地运行简化版。此外，“简化”可以逐渐用于现有项目。

逐步使用流线的几种方法。

这些只是细流功能的冰山一角。最令人兴奋的是，这些原语可以很容易地形成复杂的应用程序，但它似乎只是简单的脚本。这将涉及架构的工作原理和功能，本文暂时不讨论这些。

简化组件图。

我们很高兴与社区分享Slimit，并希望它能帮助您轻松地将Python脚本转化为美丽实用的机器学习应用程序。