Artefacto de investigação automatizada — não é o projeto original.

Este repositório é um laboratório descartável construído por um sistema automatizado para uma dissertação de mestrado na Université Laval sobre a reprodução de vulnerabilidades publicadas em workflows do GitHub Actions. É um instantâneo verbatim de gradio-app/gradio no commit f35f615e33a5dd90bfeb106b6f5dca689849fcef (2024-02-09), redistribuído sob a licença do próprio projeto, cujo ficheiro está incluído inalterado neste instantâneo.

O projeto original não está envolvido, nunca é alvo, e a vulnerabilidade estudada aqui já é pública. Todos os segredos e variáveis neste repositório são valores fictícios gerados aleatoriamente — nenhuma credencial real está presente. As referências a ações e imagens de runner estão fixadas no que resolviam em 2024-02-09; consulte pinning.md na saída do sistema para todas as alterações feitas ao instantâneo.

Perguntas ou objeções: [email protected]

---

Gradio: Crie Aplicações Web de Machine Learning — em Python

Gradio é um pacote Python de código aberto que permite criar rapidamente uma demo ou aplicação web para o seu modelo de machine learning, API ou qualquer função Python arbitrária. Pode então partilhar um link para a sua demo ou aplicação web em apenas alguns segundos usando as funcionalidades de partilha integradas do Gradio. Não é necessária experiência com JavaScript, CSS ou alojamento web!

São precisas apenas algumas linhas de Python para criar uma demo bonita como a acima, por isso vamos começar 💫

Instalação

Pré-requisito: o Gradio requer Python 3.8 ou superior

Recomendamos instalar o Gradio usando pip, que vem incluído por predefinição no Python. Execute isto no seu terminal ou prompt de comando:

pip install gradio

[!TIP] É melhor instalar o Gradio num ambiente virtual. Instruções detalhadas de instalação para todos os sistemas operativos comuns são fornecidas aqui.

Criando a Sua Primeira Demo

Pode executar o Gradio no seu editor de código favorito, Jupyter notebook, Google Colab ou em qualquer outro lugar onde escreva Python. Vamos escrever a sua primeira aplicação 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] Abreviamos o nome importado de gradio para gr para melhor legibilidade do código. Esta é uma convenção amplamente adotada que deve seguir para que qualquer pessoa que trabalhe com o seu código o entenda facilmente.

Agora, execute o seu código. Se escreveu o código Python num ficheiro chamado, por exemplo, app.py, então executaria python app.py a partir do terminal.

A demo abaixo abrirá num navegador em http://localhost:7860 se executada a partir de um ficheiro. Se estiver a executar dentro de um notebook, a demo aparecerá incorporada no notebook.

Escreva o seu nome na caixa de texto à esquerda, arraste o controlo deslizante e depois pressione o botão Submit. Deverá ver uma saudação amigável à direita.

[!TIP] Ao desenvolver localmente, pode executar a sua aplicação Gradio em modo de recarga automática, que recarrega automaticamente a aplicação Gradio sempre que faz alterações ao ficheiro. Para tal, basta escrever gradio antes do nome do ficheiro em vez de python. No exemplo acima, escreveria: gradio app.py no seu terminal. Saiba mais sobre recarga automática no Guia de Recarga Automática.

Compreendendo a Classe Interface

Notará que, para criar a sua primeira demo, criou uma instância da classe gr.Interface. A classe Interface foi concebida para criar demos para modelos de machine learning que aceitam uma ou mais entradas e devolvem uma ou mais saídas.

A classe Interface tem três argumentos principais:

• fn: a função a envolver com uma interface de utilizador (UI)
• inputs: o(s) componente(s) Gradio a usar para a entrada. O número de componentes deve corresponder ao número de argumentos na sua função.
• outputs: o(s) componente(s) Gradio a usar para a saída. O número de componentes deve corresponder ao número de valores de retorno da sua função.

O argumento fn é muito flexível — pode passar qualquer função Python que queira envolver com uma UI. No exemplo acima, vimos uma função relativamente simples, mas a função pode ser qualquer coisa, desde um gerador de música a uma calculadora de impostos ou à função de previsão de um modelo de machine learning pré-treinado.

Os argumentos input e output aceitam um ou mais componentes Gradio. Como veremos, o Gradio inclui mais de 30 componentes integrados (como os componentes gr.Textbox(), gr.Image() e gr.HTML()) concebidos para aplicações de machine learning.

[!TIP] Para os argumentos inputs e outputs, pode passar o nome destes componentes como uma string ("textbox") ou uma instância da classe (gr.Textbox()).

Se a sua função aceitar mais do que um argumento, como é o caso acima, passe uma lista de componentes de entrada para inputs, com cada componente de entrada correspondendo a um dos argumentos da função, por ordem. O mesmo se aplica se a sua função devolver mais do que um valor: basta passar uma lista de componentes para outputs. Esta flexibilidade torna a classe Interface uma forma muito poderosa de criar demos.

Iremos aprofundar o gr.Interface na nossa série sobre criação de Interfaces.

Partilhando a Sua Demo