基于streamlit快速部署机器学习项目（Public URL）_启动 streamlit

现在LLM技术发展迅速，很多人在学习的时候，都想展示效果，并且想部署在服务器上，但是其中有两个难点，一是比如Flask等的学习，二是租用云服务器，迁移环境，源文件等，比较耗时。

而像streamlit、gradio等python库，可以让初学者、数据科学家等快速部署自己的AI项目，展示效果，而且可以在公网访问，主要是免费。本人上面的都用过，真的是易学好用，10分钟完成一个小项目。

1.Streamlit 简介与入门

什么是 Streamlit？
Streamlit 是一个用于创建数据应用程序的Python库，可以帮助数据科学家、工程师和分析师轻松快速地构建交互式和可视化的数据界面。无需繁琐的前端代码，只需几行简单的Python代码，你就能将你的数据展现得美观而有效。

1.1 安装 Streamlit

在anaconda虚拟环境中，通过以下命令安装 Streamlit：

conda activate env #env是自己的一个虚拟环境 比如LLM_study
conda install streamlit
1
2

1.2 开发Streamlit应用程序

开发一个基本的 Streamlit 应用程序非常简单。
在VS里面新建一个 文件夹，然后新建一个python程序（如 app.py)

代码：

import streamlit as st
import numpy as np
import matplotlib.pyplot as plt

# 设置Streamlit的标题和样式
st.title("sin函数展示")
st.markdown("### 欢迎使用这个程序来查看sin函数!")

# 创建一个滑动条来调节频率
frequency = st.slider("请选择频率", min_value=0.1, max_value=10.0, step=0.1, value=1.0)

# 创建一个滑动条来调节振幅
amplitude = st.slider("请选择振幅", min_value=0.1, max_value=10.0, step=0.1, value=1.0)

# 创建一个滑动条来调节相位
phase = st.slider("请选择相位", min_value=0.0, max_value=2 * np.pi, step=0.1, value=0.0)

# 创建一个文本框来显示频率、振幅和相位
st.write(f"频率: {frequency}")
st.write(f"振幅: {amplitude}")
st.write(f"相位: {phase}")

# 创建一个画布来绘制sin函数
fig, ax = plt.subplots()
x = np.linspace(0, 2 * np.pi, 1000)
y = amplitude * np.sin(frequency * x + phase)
ax.plot(x, y)
ax.set_title("sin函数")
ax.set_xlabel("x")
ax.set_ylabel("y")

# 将画布显示在Streamlit应用中
st.pyplot(fig)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

这个程序使用Streamlit库创建了一个简单的界面,用户可以通过滑动条来调节sin函数的频率、振幅和相位,然后程序会根据用户的选择来绘制相应的sin函数图像。

用户可以在Streamlit应用中运行这个程序,并使用浏览器打开它。

1.3 启动并运行

1.3.1 本地运行

在终端中运行：streamlit run app.py
这将启动一个本地服务器，自动跳转默认浏览器中打开应用程序。

前端展示

• 指定端口运行
  默认情况下，Streamlit 应用程序将在本地的 8501 端口上运行。 Local URL: http://localhost:8501
  如果想更改端口，可以使用 --server.port 参数。比如，在 6898端口上运行：

streamlit run app.py --server.port 6898
1

1.3.2 部署

• 新建一个requirements.txt pip freeze > requirements.txt
• 将上面代码文件夹push到github上 git push
• streamlit官网注册登录
  • 点击new app，选择app的repo仓库，branch，要执行的main文件
  • 填写域名app url
  • 然后deploy

至此，大功告成！

可以继续学习streamlit，丰富应用的功能，展示更美观的前端。