点击上方“”，选择加""或“”
重磅干货，第一时间送达机器学习
许多数据科学家都有这样的痛点。由于没有技能树可以点亮网页的前端，这样的用户界面无法在项目显示或项目合作时快速开发。今天要介绍的Streamlit正是为了应对这个痛点。
Streamlit它是专门为机器学习和数据科学团队开发机器学习工程师的应用开发框架，是目前开发定制机器学习工具的最快方法。可以认为，它的目标是取代它Flask在机器学习项目中的地位可以帮助机器学习工程师快速开发用户交互工具。
本文目录：
1. Streamlit是什么 2. 如何开始一个Streamlit项目 3. Streamlit架构与设计初探
-
APP模型
网页布局
4. 总结常用工具
-
显示文本
显示数据
显示交互控件
显示图表
侧边栏
5.重要功能
-
缓存机制
录屏功能
6. 最近的重大更新 7.优秀demo
-
自动驾驶目标检测
GAN面部生成项目
Streamlit是强大的python可用于快速构建开源工具包web app，优雅地展示你的机器学习或数据科学项目。
Streamlit优点在于:
不需要任何网页前端设计基础即可轻松搭建web app
由于web随着代码块自动刷新，编写程序时可以及时观察代码变化对网页显示效果的影响，便于调试
交互式界面可以优雅地显示数据科学项目
streamlit代码框架遵循自上而下的操作逻辑，易于理解，所见即所得
在安装streamlit以前，要注意python版本至少为3.6。使用pip安装streamlit库
$ pip install streamlit在python将包导入脚本
import streamlit as st启动一个streamlit app有两种方法(命令行)。
1)本地直接运行python文件
$ streamlit run myapp.py2）运行远程url，该功能可直接运行github中的链接
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-uber-nyc-pickups/master/app.py您可以尝试运行以下命令来启动官方网站demo项目
$ streamlit hello在开始介绍streamlit提供的诸多小工具之前，需要简单介绍下streamlit架构及布局设计理念。
下图显示在官网app模型架构图，一个streamlit app这样工作：
streamlit会将python脚本按顺序从上到下运行
每次用户打开指向app当服务网页时，整个脚本将被重新执行
在脚本运行过程中，streamlit在网页上实时显示数据表、图像、控件等
在运行过程中，streamlit缓存(用户需要在程序中设置)将优先考虑，以避免高计算过程
每次用户与控件交互时，脚本都会被重新执行，图像控件将被重新显示为新值
Streamlit布局结构很简单(这既是它的优点，也是它的缺点)。和bootstrap前框架中复杂的格栅布局不同，Streamlit只支持左侧边栏和右侧正文栏的布局。事实上，因为上一节提到了Streamlit从上到下执行程序的特殊结构，用户不需要考虑布局问题，控。控制器将按照程序中的顺序自然从上到下排列。
这种设计自然极大地简化了用户在布局设计上花费的精力，可以更多地用于项目展示。
st.title
st.header
st.subheader
st.text
st.markdown
st.code
st.write
常用的显示文本命令包括大标题title, 正文标题header，正文副标题subheader，正文文本text，markdown格式(支持文本和emoji表情)，代码code
st.title('Streamlit introduction') st.header('Build your first app') st.subheader('Text widgets are shown as below') st.text('I am the tool to display text') st.markdown('I am the *tool* to **display markdown**') st.markdown(':sunglasses:') st.code(''' def hello(): print("Hello, Streamlit!")''', language='python')在streamlit还有一个通用显示工具st.write，本方法可接受文本等多种格式的输入参数，markdown，随着输入格式的不同，数据框、图表、字典、函数会以不同的方式呈现。
显示数据
st.table
st.dataframe
st.json
streamlit支持数据框以及json的格式显示数据，其中table和dataframe的区别在于table为静态数据，dataframe为动态数据。
df = pd.DataFrame(
np.random.randn(10, 5),
columns=('col %d' % i for i in range(5)))
st.table(df)
st.dataframe(df)
st.json({
'foo': 'bar',
'baz': 'boz',
'stuff': [
'stuff 1',
'stuff 2',
'stuff 3',
'stuff 5',
],
})st.checkbox
st.selectbox
st.multiselect
st.ratio
st.slider
这一组工具可以用于构建机器学习模型时用户参数的选择，如下拉单选，下拉多选，滑块选择等功能。
st.write('-----------------------------------------checkbox--------------------------------------------')
agree = st.checkbox('I agree')
if agree:
st.write('Great! You agreed!')
st.write('-----------------------------------------selectbox-------------------------------------------')
option = st.selectbox(
'Select your model',
('decision tree', 'logistic regression', 'SVM'))
st.write('You selected:', option)
st.write('-----------------------------------------multiselect-------------------------------------------')
options = st.multiselect(
'What are your favorite colors',
['Green', 'Yellow', 'Red', 'Blue'],
['Yellow', 'Red'])
st.write('You selected:', options)
st.write('-----------------------------------------ratio-------------------------------------------')
genre = st.radio(
"What's your favorite model",
('linear regression', 'neural network'))
if genre == 'linear regression':
st.write('You like simple model')
else:
st.write("You like complex model")
st.write('-----------------------------------------slider-------------------------------------------')
st.slider('How old are you?', min_value=0, max_value=100, value=20, step=5)st.text_input
st.number_input
st.text_area
st.date_input
st.file_uploader
这一组工具可用于构建机器学习模型时的不同格式的用户输入以及数据上传。其中file_uploader默认支持的文件上传大小上限为200MB。
st.write('-----------------------------------------text_input--------------------------------------------')
st.text_input('Movie title', 'Life of Brian')
st.write('-----------------------------------------number_input-------------------------------------------')
st.number_input('Insert a number')
st.write('-----------------------------------------text_area-------------------------------------------')
txt = st.text_area('Text to analyze', '''It was the best of times, it was the worst of times, it was
the age of wisdom, it was the age of foolishness, it was
the epoch of belief, it was the epoch of incredulity, it
was the season of Light, it was the season of Darkness, it
was the spring of hope, it was the winter of despair, (...)
''')
st.write('-----------------------------------------date_input-------------------------------------------')
st.date_input(
"When's your birthday",
datetime.date(2019, 7, 6))
st.write('-----------------------------------------file_uploader-------------------------------------------')
uploaded_file = st.file_uploader("Choose a CSV file", type="csv")st.line_chart
st.bar_chart
st.area_chart
streamlit本身支持原生的三种图表形式，折线图，柱状图和面积图，不过一般不太会用到，因为streamlit还支持大量的第三方可视化图表接口。
chart_data = pd.DataFrame(
np.random.randn(20, 3),
columns=['a', 'b', 'c'])
st.line_chart(chart_data)
chart_data = pd.DataFrame(
np.random.randn(50, 3),
columns=["a", "b", "c"])
st.bar_chart(chart_data)
chart_data = pd.DataFrame(
np.random.randn(20, 3),
columns=['a', 'b', 'c'])
st.area_chart(chart_data)st.pyplot
st.altair_chart
st.plotly_chart
st.bokeh_chart
st.pydeck_chart
st.deck_gl_chart
st.graphviz_chart
streamlit的强大之处在于提供了大量第三方可视化接口, 以最普遍的matplotlib为例，只需在常规的代码基础上加上一句st.pyplot()即可显示在网页上显示图表
arr = np.random.normal(1, 1, size=100)
plt.hist(arr, bins=20)
st.pyplot()st.image
st.audio
st.video
这是一组用于展示图片，音频和视频的功能
st.progress
st.spinner
progress用于在循环中显示进度条，spinner用于提示代码正在运行
st.error
st.warning
st.info
st.success
这是一组用于显示不同状态的工具
st.error('This is an error')
st.warning('This is a warning')
st.info('This is a purely informational message')
st.success('This is a success message!')上述提到几乎所有工具均可放置在侧边栏，代码以st.sidebar.[element_name]的形式给出，以selectbox为例，st.sidebar.selectbox即表示该工具会出现在左侧。同样侧边栏的工具布局也是按照代码顺序从上往下显示。
add_selectbox = st.sidebar.selectbox(
"How would you like to be contacted?",
("Email", "Home phone", "Mobile phone")
)缓存机制是streamlit的一大重要功能，缓存功能使得用户在加载或处理大型数据时可以直接读取缓存，避免昂贵的计算过程。
streamlit的缓存机制是通过@st.cache的装饰器实现的。
@st.cache
def expensive_computation(a, b):
time.sleep(10)
return a * b
a = 2
b = 21
res = expensive_computation(a, b)
st.write("Result:", res)每当程序运行至被cache装饰的函数时，当第一次运行时，会正常执行并将结果存入缓存，当函数被再次运行，首先会判断函数的输入参数，函数主体内容是否发生变化，如果发生变化，则重新运行函数，否则将跳过函数，直接读取缓存结果。
streamlit还提供了一个非常有用的录屏功能，在网页右上角的菜单栏，有一个Record a screencast功能，可以支持录制屏幕互动操作，非常适合团队协作和效果展示。
streamlit虽然问世不久，已经拥有十分活跃的社区和用户群，并且官网也在不断丰富现有的功能中，以应对用户各种普遍的需求。
根据官网发布的2020路线图，今天预计会有一些重大的新功能推出，包括：
定制化的组件（用户自定义Javascript/React)
定制化布局结构（全新推出的网格和水平布局）
更为丰富的缓存机制
官网收录了许多优秀的demo作品，充分展示出streamlit的强大之处和应用前景。
这个项目使用不到300行代码，通过streamlit的交互界面展示了Udacity自动驾驶数据集和YOLO目标检测方法的应用。
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py这个项目使用仅仅150行代码，展示了tensorflow和Nvidia的Progressive Growing of GANs以及Shaobo Guan的Transparent Latent-space GAN方法在面部特征生成中的应用。
$ git clone https://github.com/streamlit/demo-face-gan.git
$ cd demo-face-gan
$ pip install -r requirements.txt
$ streamlit run app.py开始面向外开放啦👇👇👇
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~