streamlit：如何快速构建一个应用，不会前端也能写出好看的界面
通过本文你可以了解到：[*]如何安装streamlit，运行起来第一个demo
[*]熟悉streamlit的基本语法，常用的一些组件
[*]利用streamlit库构建应用
大模型学习参考：
[*]大模型学习资料整理：如何从0到1学习大模型，搭建个人或企业RAG系统，如何评估与优化（更新中…）
欢迎大家访问个人博客网址：https://www.maogeshuo.com，博主积极更新中…
媒介
https://img-blog.csdnimg.cn/direct/7172114278f445259ec731f106bb4f25.png#pic_center
Streamlit是一个开源的Python框架，供数据科学家和AI/ML工程师利用，只需几行代码即可交付交互式数据应用步伐。
官方文档所在：streamlit doc
经验：
[*]官方给出了非常多的组件利用案例，在编写代码时请结合官方文档+pycharm的代码提示+函数注释，函数注释中一班都给出了组件的详细利用
[*]修改完结构后，刷新访问网站，可以实时查看更改后的结果，无需重新streamlite run demo.py
streamlit 安装
pip install streamlit
streamlit hello
实行完streamlit hello后，点击 http://localhost:8501
https://img-blog.csdnimg.cn/direct/be4c0f0d7c44483b816990b42175ca31.png#pic_center
查看demo
https://img-blog.csdnimg.cn/direct/fd98df46286c434c9f73fa5130588d20.png#pic_center
streamlit组件介绍
Streamlit是一个用于构建数据科学界面的Python库，它使得创建交互式应用步伐变得非常简单。
常用组件
Streamlit 提供了一系列常用组件，用于构建交互式应用步伐。以下是常见的 Streamlit 组件：
[*] st.write(): 用于在应用步伐中表现文本、数据框架、图表等内容。
[*] st.title(): 添加应用步伐的标题。
[*] st.header() 和 st.subheader(): 添加标题和子标题。
[*] st.text(): 表现纯文本。
[*] st.markdown(): 利用 Markdown 语法添加格式化文本。
[*] st.image(): 表现图像。
[*] st.pyplot(): 表现 Matplotlib 图表。
[*] st.altair_chart(): 表现 Altair 图表。
[*] st.dataframe(): 表现数据框。
[*] st.table(): 表现表格。
[*] st.selectbox(): 表现下拉框，用户可以从选项中进行选择。
[*] st.multiselect(): 表现多选框，用户可以从选项中进行多选。
[*] st.slider(): 表现滑块，用户可以调整数值。
[*] st.text_input(): 表现文本输入框，用户可以输入文本。
[*] st.number_input(): 表现数字输入框，用户可以输入数字。
[*] st.text_area(): 表现多行文本输入框。
[*] st.checkbox(): 表现复选框，用户可以勾选或取消勾选。
[*] st.radio(): 表现单选按钮，用户可以从选项中进行单选。
[*] st.button(): 表现按钮，用户可以点击实行相关操纵。
[*] st.file_uploader(): 表现文件上传器，用户可以上传文件。
[*] st.date_input() 和 st.time_input(): 表现日期和时间输入框。
[*] st.color_picker(): 表现颜色选择器，用户可以选择颜色。
[*] st.spinner(): 表现加载状态的旋转器。
这些组件可以资助你构建出功能丰富的交互式应用步伐，根据需要选择合适的组件来实现你的应用步伐功能。
下面是一些Streamlit中常用的组件及其简要介绍：
[*] st.title(): 用于添加应用步伐的标题。
import streamlit as st
st.title('My Streamlit App')
[*] st.write(): 可以将文本、数据框架、图表等内容写入应用步伐。
st.write('Hello, world!')
[*] st.header() 和 st.subheader(): 用于添加标题和子标题。
st.header('This is a header')
st.subheader('This is a subheader')
[*] st.text(): 表现纯文本。
st.text('This is some text.')
[*] st.markdown(): 可以利用Markdown语法添加格式化文本。
st.markdown('**This** is some Markdown *text*.')
[*] st.image(): 表现图像。
from PIL import Image
image = Image.open('example.jpg')
st.image(image, caption='Sunset', use_column_width=True)
[*] st.pyplot() 和 st.altair_chart(): 表现Matplotlib和Altair图表。
import matplotlib.pyplot as plt
plt.plot()
st.pyplot()
import altair as alt
chart = alt.Chart(data).mark_bar().encode(
x='category',
y='count'
)
st.altair_chart(chart, use_container_width=True)
[*] st.dataframe(): 表现数据框。
import pandas as pd
df = pd.DataFrame({'Column 1': , 'Column 2': })
st.dataframe(df)
[*] st.selectbox(): 表现下拉框，用户可以从选项中进行选择。
option = st.selectbox('Choose an option', ['Option 1', 'Option 2', 'Option 3'])
[*] st.slider(): 表现滑块，用户可以调整数值。
value = st.slider('Select a value', 0, 100, 50)
[*] st.button(): 表现按钮，用户可以点击实行相关操纵。
if st.button('Click me'):
st.write('Button clicked!')
这些是Streamlit中常用的一些组件，可以资助你构建出功能丰富的交互式数据科学应用步伐。
如上常用组件，运行代码streamlit run streamlit_hello.py：
import numpy as npimport streamlit as stimport pandas as pdst.title('My Streamlit App')st.write('Hello, world!')
st.header('This is a header')
st.subheader('This is a subheader')
st.text('This is some text.')
st.markdown('**This** is some Markdown *text*.')
from PIL import Imageimage = Image.open('../data/stream_demo/onetwo.jpeg')st.image(image, caption='Sunset', use_column_width=True)import matplotlib.pyplot as pltplt.plot()st.pyplot()import altair as altchart_data = pd.DataFrame(np.random.randn(20, 3), columns=["a", "b", "c"])chart = alt.Chart(chart_data).mark_bar().encode( x='category', y='count')c = ( alt.Chart(chart_data) .mark_circle() .encode(x="a", y="b", size="c", color="c", tooltip=["a", "b", "c"]) )st.altair_chart(c, use_container_width=True)df = pd.DataFrame({'Column 1': , 'Column 2': })st.dataframe(df)option = st.selectbox('Choose an option', ['Option 1', 'Option 2', 'Option 3'])
value = st.slider('Select a value', 0, 100, 50)
if st.button('Click me'):
st.write('Button clicked!')
https://img-blog.csdnimg.cn/direct/94abca3051a6490f947e782e12bd847e.png#pic_center
https://img-blog.csdnimg.cn/direct/4d4f2869371f489bbf7ef4ed1d08cc0a.png#pic_center
高级组件
在 Streamlit 中，除了 st.cache 之外，还有一些其他的缓存相关组件，如 st.cache_data 和 st.cache_resource，它们分别用于缓存数据和资源，以下是它们的介绍：
[*] st.cache_data:
[*]st.cache_data 用于缓存数据，通常用于将数据加载到内存中，并在应用步伐的多个部门之间共享。这对于那些频仍访问的数据，例如配置文件、数据集等非常有用。
[*]利用方法与 st.cache 类似，你可以将需要缓存的数据加载函数与 @st.cache_data 装饰器一起利用。
[*]与 st.cache 不同，st.cache_data 并不会保存函数的输入参数，它只会缓存函数的输出结果。因此，如果数据的加载方式不依靠于函数的输入参数，则可以利用 st.cache_data 来缓存数据。
[*] st.cache_resource:
[*]st.cache_resource 用于缓存外部资源，例如文件、图像、音频等，通常用于减少重复的网络请求或文件读取操纵。
[*]你可以利用 @st.cache_resource 装饰器来缓存资源加载函数，如许在多次访问同一资源时，Streamlit 将会从缓存中加载，而不是重新加载资源。
[*]与 st.cache 和 st.cache_data 类似，st.cache_resource 也可以接受参数，用于根据不同的参数值缓存不同的资源。
这些缓存组件提供了不同的功能，可以根据详细的需求选择合适的缓存方式。通过合理地利用缓存，可以明显提高 Streamlit 应用步伐的性能和相应速率，同时减少资源斲丧。
案例分享
搭建简单对话界面
import streamlit as st
if __name__ == '__main__':
st.title('Chat with me :sunflower:')
# 初始化history
if "messages" not in st.session_state:
st.session_state.messages = []
# 展示对话
for msg in st.session_state.messages:
with st.chat_message(msg['role']):
st.markdown(msg["content"])
# React to user input
if prompt := st.chat_input("Say something"):
# Display user message in chat message container
with st.chat_message("user"):
st.markdown(prompt)
# Add user message to chat history
st.session_state.messages.append({"role": "user", "content": prompt})
response = f"Echo: {prompt}"
# Display assistant response in chat message container
with st.chat_message("assistant"):
st.markdown(response)
# Add assistant response to chat history
st.session_state.messages.append({"role": "assistant", "content": response})
https://img-blog.csdnimg.cn/direct/9907c3bfe4414b21949b64b1bd8b3d20.png#pic_center
利用Qwen大模型对话
采用了Qwen大模型量化后的q2版本，详细参考代码，注释也比力全。
对话方式两种：
[*]平凡输出
[*]流式输出
python库利用：
[*]底子库：os、sys、time
[*]llama_cpp：加载大模型
[*]dotenv：加载.env配置的情况变量
代码
import os
import sys
import time
import streamlit as st
from llama_cpp import Llama
from dotenv import load_dotenv, find_dotenv
BASE_DIR = os.path.dirname(__file__)
sys.path.append(BASE_DIR)
# 加载env环境中内容
_ = load_dotenv(find_dotenv())
def get_llm_model(
prompt: str = None,
model: str = None,
temperature: float = 0.0,
max_token: int = 2048,
n_ctx: int = 512,
stream: bool = False):
"""
根据模型名称去加载模型，返回response数据
:param stream:
:param prompt:
:param model:
:param temperature:
:param max_token:
:param n_ctx:
:return:
"""
if model in ['Qwen_q2']:
model_path = os.environ
llm = Llama(model_path=model_path, n_ctx=n_ctx)
start = time.time()
response = llm.create_chat_completion(
messages=[
{
"role": "system",
"content": "你是一个智能超级助手，请用专业的词语回答问题，整体上下文带有逻辑性，如果不知道，请不要乱说",
},
{
"role": "user",
"content": "{}".format(prompt)
},
],
temperature=temperature,
max_tokens=max_token,
stream=stream
)
cost = time.time() - start
print(f"模型生成时间：{cost}")
print(f"大模型回复：\n{response}")
if not stream:
return response['choices']['message']['content']
else:
return response
def get_llm_model_with_stream(
prompt: str = None,
model: str = None,
temperature: float = 0.0,
max_token: int = 2048,
n_ctx: int = 512,
stream: bool = True):
"""
流式输出结果
:param prompt:
:param model:
:param temperature:
:param max_token:
:param n_ctx:
:param stream:
:return:
"""
response = ""
start_time = time.time()
stream_results = get_llm_model(prompt, model, temperature, max_token, n_ctx, stream)
for res in stream_results:
content = res["choices"].get("delta", {}).get("content", "")
response += content
yield content
cost_time = time.time() - start_time
print(f"cost_time: {cost_time}, response: {response}")
if __name__ == '__main__':
st.title('Chat with Qwen :sunflower:')
# 初始化history
if "messages" not in st.session_state:
st.session_state.messages = []
# 展示对话
for msg in st.session_state.messages:
with st.chat_message(msg['role']):
st.markdown(msg["content"])
# React to user input
if prompt := st.chat_input("Say something"):
# Display user message in chat message container
with st.chat_message("user"):
st.markdown(prompt)
# Add user message to chat history
st.session_state.messages.append({"role": "user", "content": prompt})
# 普通方式输出
# if prompt is not None:
# response = get_llm_model(prompt=prompt, model="Qwen_q2")
# # Display assistant response in chat message container
# with st.chat_message("assistant"):
# st.markdown(response)
# # Add assistant response to chat history
# st.session_state.messages.append({"role": "assistant", "content": response})
# 流式输出
if prompt is not None:
stream_res = get_llm_model_with_stream(prompt=prompt, model="Qwen_q2")
with st.chat_message("assistant"):
content = st.write_stream(stream_res)
print("流式输出：", content)
st.session_state.messages.append({"role": "assistant", "content": content})
# streamlit run chat_with_qwen.py
结果展示
https://img-blog.csdnimg.cn/direct/6946d4d08ef0490cb89bc1d3fd0885e8.png#pic_center
https://img-blog.csdnimg.cn/direct/9cb7b3a5f54c4b97950c5202d74686a4.png#pic_center
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]