Streamlit是第一個專門針對機器學習和數據科學團隊的應用開發框架，它是開發自定義機器學習工具的最快的方法，你可以認為它的目標是取代Flask在機器學習項目中的地位，可以幫助機器學習工程師快速開發用戶交互工具。

1、Hello world

學編程，上匯智網，在線練習環境，一對一助教答疑。

Streamlit應用就是Python腳本，沒有隱含的狀態，你可以使用函數調用重構。只要你會寫Python腳本，你就會開發Streamlit應用。例如，下面的代碼在網頁中輸出Hello, world!：

import streamlit as st
st.write('Hello, world!')

結果如下：

2、使用UI組件

學編程，上匯智網，在線練習環境，一對一助教答疑。

Streamlit將組件視為變量，在Streamlit中沒有回調，每一個交互都是簡單地返回，從而確保代碼乾淨：

import streamlit as st
x = st.slider('x')
st.write(x, 'squared is', x * x)

結果如下：

3、數據重用和計算

學編程，上匯智網，在線練習環境，一對一助教答疑。

如果你要下載大量數據或者運行復雜的計算該怎麼實現？關鍵在於安全地重用數據。Streamlit引入了緩存原語可以讓Steamlit應用安全、輕鬆的重用信息。例如，下面的代碼只需要從Udacity的自動 駕駛車項目下載一次數據，從而得到一個簡單、快速的應用：

import streamlit as st
import pandas as pd
# Reuse this data across runs!
read_and_cache_csv = st.cache(pd.read_csv)
BUCKET = "https://streamlit-self-driving.s3-us-west-2.amazonaws.com/"
data = read_and_cache_csv(BUCKET + "labels.csv.gz", nrows=1000)
desired_label = st.selectbox('Filter to:', ['car', 'truck'])
st.write(data[data.label == desired_label])

結果如下：

簡而言之，Streamlit的工作方式如下：

• 對於用戶的每一次交互，整個腳本從頭到尾執行一遍
• Streamlit基於UI組件的狀態給變量賦值
• 緩存讓Streamlit可以避免重複請求數據或重複計算

或者參考下圖：

如果上面的內容還沒有說清楚，你可以直接上手嘗試Streamlit！

$ pip install --upgrade streamlit 
$ streamlit hello 
 You can now view your Streamlit app in your browser. 
 Local URL: http://localhost:8501
 Network URL: http://10.0.1.29:8501

這會自動打開本地的web瀏覽器並訪問Streamlit應用：

4、實例：自動駕駛數據集工具

學編程，上匯智網，在線練習環境，一對一助教答疑。

下面的Streamlit應用讓你可以在整個Udacity自動駕駛車輛照片數據集中進行語義化搜索，可視化人工標註，並且可以實時運行一個YOLO目標檢測器：

整個應用只有300行Python代碼，絕大多數是機器學習代碼。實際上 其中只有23個Streamlit調用。你可以嘗試自己運行：

$ pip install --upgrade streamlit opencv-python
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py

原文鏈接：Streamlit - 機器學習工具開發框架 - 匯智網機器