Gradio 3.0 釋出！
機器學習演示
機器學習演示已成為釋出模型中越來越重要的部分。演示允許任何人——不僅僅是機器學習工程師——在瀏覽器中試用模型，提供預測反饋，並在模型表現良好時建立對模型的信任。
自 2019 年 Gradio 庫的第一個版本釋出以來，已構建了超過 600,000 個機器學習演示。今天，我們很高興地宣佈 **Gradio 3.0**：Gradio 庫的全面重新設計 🥳
Gradio 3.0 有什麼新功能？
🔥 前端完全重新設計，基於我們從 Gradio 使用者那裡收集的反饋
我們已經轉向現代技術（如 Svelte）來構建 Gradio 前端。因此，我們看到更小的有效載荷和更快的頁面載入速度！
我們還採用了更簡潔的設計，這將使 Gradio 演示能夠在更多設定中視覺上融入（例如 嵌入 在部落格文章中）。
- 我們改進了現有的元件，如 `Dataframe` 以使其更使用者友好（嘗試將 CSV 檔案拖放到 Dataframe 中），並添加了新元件，如 `Gallery`，以便您為模型構建合適的 UI。
- 我們添加了一個 `TabbedInterface` 類，允許您將相關演示分組為單個 Web 應用中的多個選項卡
檢視我們（重新設計的）文件中所有可用的元件 這裡 🤗！
🔥 我們建立了一種新的低階語言，名為 **Gradio Blocks**，它允許您直接在 Python 中構建複雜的自定義 Web 應用
我們為什麼要建立 Blocks？Gradio 演示非常容易構建，但是如果您想更好地控制演示的佈局，或者更靈活地控制資料流，該怎麼辦？例如，您可能希望：
- 更改演示的佈局，而不是僅僅將所有輸入放在左側，輸出放在右側
- 擁有多步介面，其中一個模型的輸出成為下一個模型的輸入，或通常具有更靈活的資料流
- 根據使用者輸入更改元件的屬性（例如，下拉選單中的選項）或其可見性
低階 Blocks API 允許您直接在 Python 中完成所有這些操作。
這是一個 Blocks 演示的示例，它建立了兩個簡單的演示並使用選項卡將它們組合在一起
import numpy as np
import gradio as gr
def flip_text(x):
return x[::-1]
def flip_image(x):
return np.fliplr(x)
with gr.Blocks() as demo:
gr.Markdown("Flip text or image files using this demo.")
with gr.Tabs():
with gr.TabItem("Flip Text"):
text_input = gr.Textbox()
text_output = gr.Textbox()
# this demo runs whenever the input textbox changes
text_input.change(flip_text, inputs=text_input, outputs=text_output)
with gr.TabItem("Flip Image"):
with gr.Row():
image_input = gr.Image()
image_output = gr.Image()
button = gr.Button("Flip")
# this demo runs whenever the button is clicked
button.click(flip_image, inputs=image_input, outputs=image_output)
demo.launch()
執行 `launch()` 後，將出現以下演示
有關 Blocks 的分步介紹，請檢視 Blocks 專用指南
Gradio Blocks Party
我們對 Gradio Blocks 非常興奮——我們很樂意您嘗試一下——所以我們正在組織一場比賽，**Gradio Blocks Party** (😉)，看看誰能用 Blocks 構建最好的演示。透過構建這些演示，我們可以讓最先進的機器學習不僅對工程師，而且對任何可以使用網際網路瀏覽器的人都可訪問！
即使您以前從未使用過 Gradio，這也是開始的最佳時機，因為 Blocks Party 將持續到五月底。我們將在 Party 結束時為使用 Blocks 構建的演示頒發 🤗 周邊產品和其他獎品。
在此處瞭解有關 Blocks Party 的更多資訊：https://huggingface.co/spaces/Gradio-Blocks/README
