[streamlit]数据科学科研工作者的神器，必须要推荐一下

1. 前言

做科研当然要有过硬的专业知识，但是也少不了一些辅助，才能最大程度发挥我们的能力。因此，除去我们模型性能优秀，结果良好以外，如何进行一个好的展示，也是非常有必要的。那么今天，我们就隆重介绍，这个几乎可以替代掉Flask作为构建demo首选的streamlit。（这次不是chatGPT了，毕竟chatGPT只会描述，不会感受。）

2. streamlit能干什么

我们为什么要用streamlit呢？
第一，我们想要做个展示我们模型的Demo页面。
第二，自己就只会python，不懂啥三剑客（Html,css,js），但我就想自己去做个界面，怎么整？
第三，不能太复杂，太复杂的光学起来就很吃力了，我就想要个简单的Demo就行。

于是，于是streamlit来了，不仅可以完全满足以上要求，而且还能更加的强大。完全可以由python编写的网页，你想象过长什么样吗？

再给你看看它的一些组件，你就大概知道它能够做什么了。

2.1 普通输出

首先它是可以输出普通文本的，而且支持部分Markdown语法，即使你啥都不写，你就想做一个纯文本的BLOG，它也能够完全满足你。

2.2 数据展示

如果你有一堆数据要展示，但是想展示的好看点，Streamlit也可以满足你，比如列表、或者评价指标，甚至是json也可以很好看的展示出来。

2.3 展示图片

光展示文字或者表格不太直观啊，我们最终还是希望能够用图来展示我们的结果，哦对了，图有两种，一种是Picture一种是Chart，streamlit都可以完美支持，甚至是音频或者视频都可以完美的嵌套在这里面。

2.4 交互控件

是的是的，如果你说这上面不就是个静态展示页面么，我用个jekyll更能轻量式的搭建啊，但是下面的交互控件，则是我最看重的地方。话不多说，大家可以看一看效果。从普通的点击按钮，到上传下载文件，甚至是直接调用摄像头拍摄照片都能够很轻松的使用，看起来是不是心动了。

2.4 布局

作为网页好不好看，最重要的是布局，streamlit也帮助我们快速搭建美观的布局了。

2.5 高级功能

当然，streamlit的功能远不于此，还有一个高级功能等待我们去探索，例如使用命令行，主题啊，或者性能优化等等。

2.6 云发布

最重要的是，streamlit可以有偿云发布，这才是重点，也就是它为什么能够一直做下去的原因，是因为它有盈利点，也有开放性。

streamlit自己构建了关于自己展示的一个demo，其样子和其他网站看起来没什么区别，甚至更好看一些。（不过有一点我自己偷偷吐槽一下，就是构建复杂的网站后，它的响应速度还是需要一定的耐心的。）

3. streamlit该怎么做

光说不练假把式，既然都能吸引我到半夜还在倒腾的东西，那肯定要真正能实践起来才行。当然，我就做了一些简单的demo，主要是为了呈现功能，具体细节还需要进行二次加工。这次，我主要实践了两个比较重要的也比较有用的功能，至于绘图功能，大家可以参考官方文档，讲述的很细致哦。

因此如果想使用streamlit的话，也非常容易，只需要遵循以下3步就可以了。

1. 使用命令安装streamlit

pip install streamlit

2. 在自己的项目里增加一个app.py（其实叫啥名字都行）,负责整个界面的设计和渲染，大致只包含4个部分。

# 导入包
# 设定运行环境
# 写一个主函数writer()
# 执行函数main

4. 通过下面命令启动它:

streamlit run app.py # 默认端口8501
or
streamlit run app.py --server.port your_port # 指定端口

5. 打开浏览器，就可以享用了

http://localhost:8501

3.1 模型demo

我们做人工智能的，模型做的那肯定都是非常优秀的，但是很难让别人能够感受到我们模型的优越性，这是因为我们没有让别人所见即所得，让他们感受一下模型的性能比冷冰冰的数字更加有效。但是我们之前的技能点都点在了科研上了，而如何展示我们的工作则成为我们头疼的事情，因为这是一个偏工程而非科研的工作。

不过好在，streamlit能够帮助我们快速构建一个看起来还可以的demo，大家可以先看一下效果。

可以看到，很容易生成了一个看起来还可以的界面。左边菜单是用来调节一些模型的参数的，而右边则是主界面。主界面上面是我们的输入栏，下面有一个一键生成摘要按钮，点击后，我们就能够通过我们的模型生成相应的摘要了。最下面还有一些和基准系统的性能比较，看起来是不是美观多了？

如果要从头开始构建这样一个界面，那必然是非常复杂的一个工程。但是streamlit让我们一个py文件就可以解决，主要代码如下：

import streamlit as st
import os
import torch
import time

from e2e import predict_one_sample
from module.model import MT5PForSequenceClassification
from module.tokenizer import T5PegasusTokenizer

st.set_page_config(page_title="Demo", initial_sidebar_state="auto", layout="wide")


@st.cache(allow_output_mutation=True)
def get_model(device, vocab_path, model_path):
    tokenizer = T5PegasusTokenizer.from_pretrained(vocab_path)
    model = MT5PForSequenceClassification(model_path)
    #model.load_state_dict(torch.load(model_path))
    model.to(device)
    model.eval()
    return tokenizer, model


device_ids = 7
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = str(device_ids)
device = torch.device("cuda" if torch.cuda.is_available() and int(device_ids) >= 0 else "cpu")
tokenizer, model = get_model(device, "t5_pegasus_torch/vocab.txt", "t5_pegasus_torch/")


def writer():
    st.markdown(
        """
        ## CAIL 2022 涉法舆情摘要demo
        """
    )
    st.sidebar.subheader("配置参数")
    max_length = st.sidebar.slider("生成摘要长度", min_value=50, max_value=250, value=200, step=1)
    top_k = st.sidebar.slider("top_k", min_value=0, max_value=10, value=3, step=1)
    num_beams = st.sidebar.slider("num_beams", min_value=1, max_value=10, value=3, step=1)
    top_p = st.sidebar.number_input("top_p", min_value=0.0, max_value=1.0, value=0.95, step=0.01)
    do_sample = st.sidebar.checkbox('do_sample')
    content = st.text_area("输入新闻正文", max_chars=1024,height=400)
    if st.button("一键生成摘要"):
        start_message = st.empty()
        start_message.write("正在抽取，请等待...")
        start_time = time.time()
        title = predict_one_sample(model, device, tokenizer, content, max_length=max_length,do_sample=do_sample,
                                       num_beams=num_beams, top_k=top_k, top_p=top_p)
        end_time = time.time()
        start_message.write("抽取完成，耗时{}s".format(end_time - start_time))
        st.text_area("摘要如下",title)
        st.markdown(
            """
            ## 与基准系统T5生成的摘要性能比较
            """
        )
        col1, col2, col3,col4,col5 = st.columns(5)
        col1.metric("Rouge-1", "48.5", "16%")
        col2.metric("Rouge-2", "24.6", "-8%")
        col3.metric("Rouge-L", "34.9", "4%")
        col4.metric("BLEU", "24.0", "0%")
        col5.metric("BertScore", "64.7", "-3%")
    else:
        st.stop()

if __name__ == '__main__':
    writer()

3.2 性能评估

另一个比较能用得上的是性能评估，这里我们也不多说，直接上图。

这样的一个网页更加的容易了，下面是其app.py中的主要代码：

import json

import streamlit as st
import time
from evaluate import Evaluator

st.set_page_config(page_title="Evaluate", initial_sidebar_state="auto", layout="wide")


@st.cache(allow_output_mutation=True)
def get_evaluator():
    evaluator = Evaluator()
    return evaluator


evaluator = get_evaluator()


def get_sources_targets(baseline_data):
    objects=json.loads(baseline_data)
    sources = objects["sources"]
    targets = objects["targets"]
    return sources, targets


def compute_diff(baselines, system):
    results = zip(baselines, system)
    diff_list = []
    for result in results:
        diff = round((result[1] - result[0]) / result[0], 2)
        diff_list.append(diff)
    return diff_list


def set_metric(container, baselines, system=None):
    col_name_list = ["Rouge-1", "Rouge-2", "Rouge-L", "BLEU", "BertScore"]
    cols = container.columns(5)
    if system != None:
        diff_list = compute_diff(baselines, system)
        for i in range(5):
            cols[i].metric(col_name_list[i], str(round(system[i],4)), str(diff_list[i]) + "%")
    else:
        for i in range(5):
            cols[i].metric(col_name_list[i], str(round(baselines[i],4)))


def writer():
    st.markdown(
        """
        ## 摘要评估
        """
    )
    st.sidebar.subheader("上传/下载")
    st.sidebar.write("请上传基准系统文件")
    baseline_uploaded_file = st.sidebar.file_uploader("基准系统")
    uploaded_files = st.sidebar.file_uploader("测试文件", accept_multiple_files=True)
    if st.button("一键评估"):
        start_message = st.empty()
        start_message.write("正在评估，请等待...")
        start_time = time.time()
        baseline_data = baseline_uploaded_file.read().decode('UTF-8')
        sources, targets = get_sources_targets(baseline_data)
        baseline_performance = evaluator.compute_all_score(sources, targets)
        baseline_container = st.container()
        baseline_container.write("基准系统性能表现")
        set_metric(baseline_container, baseline_performance)
        for index, uploaded_file in enumerate(uploaded_files):
            bytes_data = uploaded_file.read().decode('UTF-8')
            sources, targets = get_sources_targets(bytes_data)
            system_performance = evaluator.compute_all_score(sources, targets)
            container = st.container()
            container.write(uploaded_file.name + "系统的性能表现")
            set_metric(container, baseline_performance, system_performance)
        end_time = time.time()
        start_message.write("评估完成，耗时{}s".format(end_time - start_time))
    else:
        st.stop()


if __name__ == '__main__':
    writer()

以上代码我已整理发布demo_streamlit_text_generation，大家记得关注。

4. 小结

这次我们主要讲述了如何利用streamlit制作我们模型展示的Demo,以及利用它进行一个性能展示和比较。对于曾经开发过网页或者移动端App的人来说，这个半天就学会了。如果是0基础的，根据刘聪大神的说法，最多1天就能学会。不过官方给出的建议是，你可以花30天去学会它，而且给出了教程了《30天学会streamlt》。大家感兴趣的可以自己去尝试，非常实用的一款工具。