本文将介绍一种专门针对机器学习工程师的应用程序框架——Streamlit。

在实际工作中，每个机器学习项目最终都会遇到各种问题，尤其是那些由Jupyter Notebook和Flask应用拼凑而成的工具，这些工具难以维护，且部署起来非常麻烦。这些工具通常包含传感器校准工具、模拟比较应用、激光雷达对准工具和场景回放工具等。随着项目的进展，这些工具的需求越来越多，最终导致维护变得困难重重。

为了应对这种情况，需要建立专门的工具团队，他们能够编写高质量的Vue和React代码。然而，这些团队往往有多个项目需要处理，导致工具更新周期较长。因此，我们需要一种更简便的方式来构建工具，使机器学习工程师能够独立创建高质量的应用程序，而无需依赖工具团队。

于是，我们开始探索如何让构建工具像编写Python脚本一样简单。我们希望机器学习工程师能够在不依赖工具团队的情况下，快速创建出优秀的应用程序。这些工具应该是机器学习工作流程的自然延伸。我们希望通过简化工具构建过程，使创建的工具既美观又高效，同时具备高度的灵活性。

经过一年的努力，我们开发出了Streamlit，这是一个面向机器学习工程师的完全免费的开源应用框架。Streamlit的核心理念是简化工具构建过程，使其更加直观和易用。

以下是Streamlit的几个核心特点：

1. 包含Python脚本：Streamlit应用程序实际上就是一个自上而下运行的Python脚本，没有任何隐藏的结构。可以通过函数调用来分解代码。例如，可以输入以下代码： python import streamlit as st st.write('Hello, world!')

2. 将微件视为变量：Streamlit中没有回调函数！每个交互只是自上而下重新运行脚本。这种方法产生的代码非常简洁： python import streamlit as st x = st.slider('x') st.write(x, '的平方是', x * x)

3. 重用数据和计算：如果下载了大量数据或执行了复杂的计算怎么办？Streamlit引入了一个缓存机制，可以安全地重用信息。例如，这段代码只会从特定的URL下载一次数据，从而生成一个简单快速的应用程序： ```python import streamlit as st import pandas as pd

   重用此数据

   @st.cache def readandcachecsv(url): return pd.readcsv(url, nrows=1000)

   BUCKET = "https://streamlit-self-driving.s3-us-west-2.amazonaws.com/" data = readandcachecsv(BUCKET + "labels.csv.gz") desiredlabel = st.selectbox('筛选：', ['car', 'truck']) st.write(data[data.label == desired_label]) ```

Streamlit的工作原理如下： 1. 每次用户交互都会从头开始重新运行整个脚本。 2. Streamlit为每个变量配置最新的微件值。 3. 缓存机制允许Streamlit跳过冗余的数据提取和计算步骤。

总之，Streamlit使得机器学习工程师可以轻松地创建高效、美观且易于维护的应用程序。例如，一个300行的Streamlit应用可以实现语义视觉搜索和交互式神经网络推理。只需运行以下命令即可体验Streamlit： sh $ pip install --upgrade streamlit $ streamlit hello

Streamlit的应用程序是纯Python文件，可以与Git和其他源代码管理系统协同工作。此外，Streamlit提供了实时编码环境，使得开发过程更加流畅。例如，可以使用缓存简化计算流程，提高应用程序性能。

Streamlit是一个开源库，可以自由使用，无需联系开发者。它可以运行在任何支持Python的环境中，包括没有互联网连接的笔记本电脑。总之，Streamlit为机器学习工程师提供了一个强大且灵活的工具，能够简化工具构建过程，提升工作效率。

希望以上内容对你有所帮助，欢迎点赞、关注，共同分享AI学习与发展的经验。如需转载，请后台留言，遵守转载规范。