在机器学习领域，针对已经训练好的模型创建一个快速的 Demo 通常是必要的，本文针对快速创建机器学习应用的几个框架：gradio、streamit 和 dash 进行简单的对比。

综合比较

gradio streamit dash
主要使用场景 可交互小 Demo 工作流、DashBoard DashBoard、生产环境的复杂演示应用
上手难度 简单 简单 中等
组件丰富度 低 高 高
综合扩展性 低 中 高
Jupyter Notebook 内支持 是 否 是
是否完全开源 是 是 部分企业级功能未开源
github stars 13.4k 23.1k 18.2k
案例列表 demos streamit gallery dash gallery

接下来，我们分别结合一定的示例，讲解这三个框架的使用以及各自更加具体的特点。

Gradio

使用

gradio 基于 svelte，它的初步使用非常简单，同时它的自封装组件的功能也相对比较完整，因此可以让开发者专注于编写基于 python 代码的业务处理逻辑，无需关注更多 web 前端页面的实现细节。

例如，我们实现一个简单的图片分类器：

1
2
3
4
5
6
7
8
import gradio as gr

def image_classifier(inp):
    # 这里可以写一写实际实现的逻辑
    return {'cat': 0.3, 'dog': 0.7}

demo = gr.Interface(fn=image_classifier, inputs="image", outputs="label")
demo.launch()

它的一个演示效果：

这里对于开发者来说，只需要实现 image_classifier 这个 python 函数即可，无需关注图片上传处理、UI 展示等工作。

特点

优点：

  • 组件的封装程度高，并且尤其适合机器学习模型相关的应用，比如 NLP、CV 领域的模型，最近比较火的 stable-diffusion-webui 就是基于 gradio 搭建的，也可以方便地做一个 ChatGPT 的简单对话框。
  • 可以快速创建可共享的链接，从而方便将链接分享给用户。
  • 可以直接在 Jupyter Notebook 中展示。

缺点：

  • 组件的扩展性比较差，如果你想定制一个组件，需要 fork 它的代码，修改源代码从而添加组件，并不支持独立的自定义组件。
  • 使用场景较为简单，如果你有复杂的数据图表展示等需求，使用 gradio 会难以满足。

简单来说，如果你想快速制作一个演示 demo，并且你需要的功能正好 gradio 的官方组件列表中也有现成的组件可用，那么你就可以使用 gradio，否则就不建议使用了。

Streamit

streamit 基于 React ，它的上手使用也非常之简单，也是可以在前后端开发知识为 0 的情况下就可以轻松上手，例如我们通过以下几行代码：

1
2
3
import streamlit as st
x = st.slider("aaappp")
st.write(x, "squared is", x * x)

就可以快速制作一个可交互的滚动条：

特点

优点：

  • 默认组件库更为精细化，并且组件的类型比较多，例如支持更多的可视化展示例如 Matplotlib、Vega Lite (2D charts) 和 deck.gl (maps and 3D charts)；数据集本地上传等功能
  • 支持自定义组件以及异步加载，也因此社区组件比较丰富。

缺点：

  • streamit 更加独立，没有办法较好地直接展示在 Notebook 中。
  • streamit 由于更加灵活，并且内置功能较多，完全熟练使用需要一定的时间上手，不如 gradio 简单。

Dash

dash 基于 Plotly.js、React 和 Flask，因此相对于前两者，它的启动和编码方式更“像”一个 python 后端，也因此代码会稍微多一些。

我们这里依旧展示一个官方提供的最小的 demo：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
from dash import Dash, html, dcc
import plotly.express as px
import pandas as pd

app = Dash(__name__)

df = pd.DataFrame({
    "Fruit": ["Apples", "Oranges", "Bananas", "Apples", "Oranges", "Bananas"],
    "Amount": [4, 1, 2, 2, 4, 5],
    "City": ["SF", "SF", "SF", "Montreal", "Montreal", "Montreal"]
})

fig = px.bar(df, x="Fruit", y="Amount", color="City", barmode="group")

app.layout = html.Div(children=[
    html.H1(children='Hello Dash'),
    html.Div(children='''
        Dash: A web application framework for your data.
    '''),
    dcc.Graph(
        id='example-graph',
        figure=fig
    )
])

if __name__ == '__main__':
    app.run_server(debug=True)

它的一个展示效果：

)

特点

优点：

  • 除了 Python，可以支持、R、Julia 来编写程序。
  • 后端基于 flask，也意味着后端的扩展能力非常强大。
  • 可视化相关的图表支持非常丰富。
  • 可以通过一定的适配，支持在 Jupyter Notebook 中使用。

缺点：

  • 实际上，使用 dash 相当于使用 python 编写 html + 后端，因此代码会比较冗长，同时也不适合网站开发者，和现代的主流前后端开发理念有所违和。
  • 不适合大型项目，通常来说用户响应速度没有 JS 快（因为是纯 python 编写前端）

其他补充

除了以上三种方案，对于更加复杂的企业级应用，一般建议采用前后端分离的应用开发方案，这部分相对来说建议专人负责，本篇就不进行过多介绍了。