使用 Streamlit 在 Hugging Face Spaces 上託管模型與數據集

Hugging Face Spaces 允許使用者透過整合 Streamlit（一個用於建立互動式網頁應用程式的框架）來託管並展示機器學習模型與數據集。這種整合讓開發者無需豐富的網頁開發經驗，即可為模型推論與數據探索建立功能性的 UI。

建立互動式模型演示

Streamlit 提供了一系列組件，讓開發者可以為模型超參數與輸入建立使用者介面。透過利用這些組件，使用者可以建立互動式應用程式，例如使用 GPT-2 或 XLNet 等模型開發文字生成工具。

用於模型演示的關鍵 Streamlit 組件包括：

• .text_area: 建立用於文字補全或提示詞的多行輸入欄位。
• .sidebar: 允許將配置變數放置在側邊欄中，以保持主 UI 的整潔。
• slider: 擷取超參數（例如 temperature 或 top-p）的連續值，需要指定 step 以避免被視為整數。
• number_input: 允許使用者輸入特定的整數值。

模型輸出可以直接使用 st.write 函數顯示在應用程式中。

數據集與數據的可視化

Streamlit 與 Hugging Face Datasets 函式庫、pandas 以及常見的可視化函式庫（包括 matplotlib、seaborn 和 bokeh）進行整合。

使用串流進行高效數據載入

為了在不將整個數據集下載到記憶體的情況下處理大型數據集，開發者可以使用 Datasets 函式庫中的串流（streaming）功能。這讓使用者可以透過即時載入範例來與數據進行即時互動。

數據顯示與繪圖

Streamlit 提供幾種呈現數據的方式：

• st.dataframe(df): 以表格格式顯示結構化數據。
• st.bar_chart(): 建立互動式長條圖，用於可視化分佈或頻率。
• st.pyplot(): 整合外部繪圖函式庫；透過在繪圖腳本（例如使用 seaborn 或 matplotlib）的末尾呼叫此函數，產生的圖表將在 Streamlit 應用程式中渲染。

在 Hugging Face Spaces 上託管專案

將 Streamlit 應用程式部署到 Hugging Face Spaces 的過程是透過簡單的檔案上傳程序來完成的。使用者可以直接將專案檔案拖放到 Space 中。

為了確保應用程式正確執行，開發者必須：

1. 在 requirements.txt 檔案中包含所有額外的依賴項。
2. 確保本地使用的 Streamlit 版本與部署到 Space 的版本一致。
3. 參考 Spaces API 參考文件以獲取詳細的配置選項。