开源模型应用落地-Gradio正确集成Fastapi-助力模型交互-入门篇（一）

一、前言

    Gradio提供了直观的用户界面，当与Fastapi结合后，用户可以通过界面轻松地与模型进行交互，上传数据、获取推理结果等，使得交互性增强，提升了用户体验。

    在开源大语言模型遍地开花的时代，正确的使用Gradio和Fastapi，通过两者的集成，使得模型的部署和使用过程更加简化和规范化。

---

二、术语

2.1.Gradio

    是一个用于构建交互式界面的Python库。它使得在Python中创建快速原型、构建和共享机器学习模型变得更加容易。

    Gradio的主要功能是为机器学习模型提供一个即时的Web界面，使用户能够与模型进行交互，输入数据并查看结果，而无需编写复杂的前端代码。它提供了一个简单的API，可以将输入和输出绑定到模型的函数或方法，并自动生成用户界面。

2.2.Fastapi

    FastAPI 是一个用于构建 API 的现代、快速(高性能)的 Python Web 框架。它是基于标准 Python 类型注释的 ASGI (Asynchronous Server Gateway Interface) 框架。

FastAPI 具有以下主要特点:

1. 快速: FastAPI 使用 ASGI 服务器和 Starlette 框架,在性能测试中表现出色。它可以与 Uvicorn 一起使用,提供非常高的性能。

2. 简单: FastAPI 利用 Python 类型注释,使 API 定义变得简单且直观。开发人员只需要定义输入和输出模型,FastAPI 会自动生成 API 文档。

3. 现代: FastAPI 支持 OpenAPI 标准,可以自动生成 API 文档和交互式文档。它还支持 JSON Schema 和数据验证。

4. 全功能: FastAPI 提供了路由、依赖注入、数据验证、安全性、测试等功能,是一个功能齐全的 Web 框架。

5. 可扩展: FastAPI 被设计为可扩展的。开发人员可以轻松地集成其他库和组件,如数据库、身份验证等。

---

三、前置条件

3.1. windows or linux操作系统均可

3.2. 创建虚拟环境&安装依赖

conda create --name gradio python=3.10
conda activate gradio 
pip install gradio fastapi uvicorn

---

四、技术实现

4.1. 使用Gradio实现小Demo

import gradio as gr

def greet(name):
    return "Hello " + name + "!"

with gr.Blocks() as demo:
    #设置输入组件
    name = gr.Textbox(label="Name")
    # 设置输出组件
    output = gr.Textbox(label="Output Box")
    #设置按钮
    greet_btn = gr.Button("Greet")
    #设置按钮点击事件
    greet_btn.click(fn=greet, inputs=name, outputs=output)

if __name__ == '__main__':
    demo.launch(server_name='0.0.0.0',server_port=8000)

调用结果：

4.2. 错误集成Gradio和Fastapi

先启动gradio

import gradio as gr

def greet(name):
    return "Hello " + name + "!"

with gr.Blocks() as demo:
    #设置输入组件
    name = gr.Textbox(label="Name")
    # 设置输出组件
    output = gr.Textbox(label="Output Box")
    #设置按钮
    greet_btn = gr.Button("Greet")
    #设置按钮点击事件
    greet_btn.click(fn=greet, inputs=name, outputs=output)

if __name__ == '__main__':
    demo.launch(server_name='0.0.0.0',server_port=8000)

再启动Fastapi，端口还被Gradio占用了，只能改端口咯

import uvicorn
from fastapi import FastAPI
import gradio as gr

fastapi_app = FastAPI()

@fastapi_app.get("/chat")
def read_main():
    return {"message": "This is your main app"}

if __name__ == '__main__':

    uvicorn.run(fastapi_app, host='0.0.0.0', port=8001)

调用结果：

Fastapi正常返回接口内容

gradio正常交互

4.3. 正确集成Gradio和Fastapi

import uvicorn
from fastapi import FastAPI
import gradio as gr

fastapi_app = FastAPI()

@fastapi_app.get("/chat")
def read_main():
    return {"message": "This is your main app"}

def greet(name):
    return "Hello " + name + "!"

with gr.Blocks() as demo:
    #设置输入组件
    name = gr.Textbox(label="Name")
    # 设置输出组件
    output = gr.Textbox(label="Output Box")
    #设置按钮
    greet_btn = gr.Button("Greet")
    #设置按钮点击事件
    greet_btn.click(fn=greet, inputs=name, outputs=output)

if __name__ == '__main__':
    app = gr.mount_gradio_app(fastapi_app, demo, path="/gr")
    uvicorn.run(fastapi_app, host='0.0.0.0',port=8000)

调用结果：

Fastapi正常返回接口内容

gradio正常交互

PS：

各位老铁，千万不要认为上述Demo很简单，万丈高楼平地起，任何复杂的代码都是通过简单的开始逐步演化而来。后面我们将把模型推理集成到上述的代码中。

---

五、附带说明

5.1. 问题：gradio交互失败，请求/run/predict地址，并返回422状态码

原因：Gradio版本太低，建议更新至最新版本，本章示例使用gradio-4.31.5版本