Artéfact de recherche automatisé — pas le projet en amont.

Ce dépôt est un laboratoire jetable construit par un harnais automatisé pour un mémoire de maîtrise à l'Université Laval sur la reproduction de vulnérabilités publiées dans les workflows GitHub Actions. Il s'agit d'un instantané verbatim de gradio-app/gradio au commit f35f615e33a5dd90bfeb106b6f5dca689849fcef (2024-02-09), redistribué sous la licence de ce projet, dont le fichier est inclus inchangé dans cet instantané.

Le projet en amont n'est pas impliqué, n'est jamais ciblé, et la vulnérabilité étudiée ici est déjà publique. Chaque secret et variable dans ce dépôt est une valeur factice générée aléatoirement — aucun identifiant réel n'est présent. Les références d'actions et les images d'exécuteur sont épinglées à ce qu'elles résolvaient le 2024-02-09 ; voir pinning.md dans la sortie du harnais pour chaque modification apportée à l'instantané.

Questions ou objections : [email protected]

---

Gradio : Créez des applications web de machine learning — en Python

Gradio est un package Python open source qui vous permet de créer rapidement une démo ou une application web pour votre modèle de machine learning, votre API, ou toute fonction Python arbitraire. Vous pouvez ensuite partager un lien vers votre démo ou application web en quelques secondes grâce aux fonctionnalités de partage intégrées de Gradio. Aucune expérience en JavaScript, CSS ou hébergement web requise !

Il suffit de quelques lignes de Python pour créer une belle démo comme celle ci-dessus, alors commençons 💫

Installation

Prérequis : Gradio nécessite Python 3.8 ou supérieur

Nous recommandons d'installer Gradio avec pip, qui est inclus par défaut dans Python. Exécutez ceci dans votre terminal ou invite de commande :

pip install gradio

[!TIP] Il est préférable d'installer Gradio dans un environnement virtuel. Des instructions d'installation détaillées pour tous les systèmes d'exploitation courants sont fournies ici.

Créer votre première démo

Vous pouvez exécuter Gradio dans votre éditeur de code préféré, un notebook Jupyter, Google Colab, ou partout ailleurs où vous écrivez du Python. Écrivons votre première application Gradio :

import gradio as gr

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

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

demo.launch()

[!TIP] Nous raccourcissons le nom importé de gradio à gr pour une meilleure lisibilité du code. C'est une convention largement adoptée que vous devriez suivre afin que toute personne travaillant avec votre code puisse le comprendre facilement.

Maintenant, exécutez votre code. Si vous avez écrit le code Python dans un fichier nommé, par exemple, app.py, vous exécuterez alors python app.py depuis le terminal.

La démo ci-dessous s'ouvrira dans un navigateur sur http://localhost:7860 si elle est exécutée depuis un fichier. Si vous exécutez dans un notebook, la démo apparaîtra intégrée dans le notebook.

Tapez votre nom dans la zone de texte à gauche, faites glisser le curseur, puis appuyez sur le bouton Soumettre. Vous devriez voir un message de bienvenue amical à droite.

[!TIP] Lors du développement en local, vous pouvez exécuter votre application Gradio en mode rechargement à chaud, qui recharge automatiquement l'application Gradio à chaque modification du fichier. Pour ce faire, tapez simplement gradio avant le nom du fichier au lieu de python. Dans l'exemple ci-dessus, vous taperiez : gradio app.py dans votre terminal. Apprenez-en plus sur le rechargement à chaud dans le Guide du rechargement à chaud.

Comprendre la classe Interface

Vous remarquerez que pour créer votre première démo, vous avez créé une instance de la classe gr.Interface. La classe Interface est conçue pour créer des démos pour les modèles de machine learning qui acceptent une ou plusieurs entrées et renvoient une ou plusieurs sorties.

La classe Interface a trois arguments principaux :

• fn : la fonction à envelopper dans une interface utilisateur (UI)
• inputs : le(s) composant(s) Gradio à utiliser pour l'entrée. Le nombre de composants doit correspondre au nombre d'arguments de votre fonction.
• outputs : le(s) composant(s) Gradio à utiliser pour la sortie. Le nombre de composants doit correspondre au nombre de valeurs de retour de votre fonction.

L'argument fn est très flexible — vous pouvez passer n'importe quelle fonction Python que vous souhaitez envelopper avec une UI. Dans l'exemple ci-dessus, nous avons vu une fonction relativement simple, mais la fonction pourrait être n'importe quoi, d'un générateur de musique à un calculateur d'impôts en passant par la fonction de prédiction d'un modèle de machine learning pré-entraîné.

Les arguments input et output acceptent un ou plusieurs composants Gradio. Comme nous le verrons, Gradio inclut plus de 30 composants intégrés (tels que les composants gr.Textbox(), gr.Image() et gr.HTML()) conçus pour les applications de machine learning.

[!TIP] Pour les arguments inputs et outputs, vous pouvez passer le nom de ces composants sous forme de chaîne ("textbox") ou une instance de la classe (gr.Textbox()).