Streamlit საშუალებას გაძლევთ, მოწესრიგებულად მოახდინოთ მონაცემთა ნაკრებების ვიზუალიზაცია და შექმნათ მანქანური სწავლების მოდელების დემოები. ამ ბლოგპოსტში ჩვენ გაგაცნობთ, თუ როგორ უნდა უმასპინძლოთ მოდელებსა და მონაცემთა ნაკრებებს და მოემსახუროთ თქვენს Streamlit აპლიკაციებს Hugging Face Spaces-ში. შეგიძლიათ ჩატვირთოთ ნებისმიერი Hugging Face მოდელი და შექმნათ მაგარი მომხმარებლის ინტერფეისები (UI) Streamlit-ის გამოყენებით. ამ კონკრეტულ მაგალითში, ჩვენ ერთად ხელახლა შევქმნით „Write with Transformer“-ს. ეს არის აპლიკაცია, რომელიც საშუალებას გაძლევთ, დაწეროთ ნებისმიერი რამ ტრანსფორმატორების, როგორიცაა GPT-2 და XLNet, გამოყენებით. ჩვენ ღრმად არ ჩავუღრმავდებით, თუ როგორ მუშაობს ინფერენსი. თქვენ მხოლოდ ის უნდა იცოდეთ, რომ ამ კონკრეტული აპლიკაციისთვის საჭიროა ჰიპერპარამეტრების გარკვეული მნიშვნელობების მითითება. Streamlit გთავაზობთ მრავალ კომპონენტს, რათა მარტივად განახორციელოთ მორგებული აპლიკაციები. ჩვენ გამოვიყენებთ ზოგიერთ მათგანს საჭირო ჰიპერპარამეტრების მისაღებად ინფერენსის კოდში. ინფერენსის კოდი აბრუნებს გენერირებულ გამომავალს; შეგიძლიათ დაბეჭდოთ გამომავალი მარტივი `st.write`-ის გამოყენებით. მაგალითად: `st.write(generated_sequences[-1])`. აი, როგორ გამოიყურება ჩვენი რეპლიკაციური ვერსია. სრული კოდის ნახვა შეგიძლიათ მოცემულ ბმულზე. Streamlit გთავაზობთ მრავალ კომპონენტს, რათა დაგეხმაროთ მონაცემთა ნაკრებების ვიზუალიზაციაში. ის უპრობლემოდ მუშაობს 🤗 Datasets-თან, pandas-თან და ვიზუალიზაციის ბიბლიოთეკებთან, როგორიცაა matplotlib, seaborn და bokeh. დავიწყოთ მონაცემთა ნაკრების ჩატვირთვით. Datasets-ის ახალი ფუნქცია, სახელწოდებით „სტრიმინგი“, საშუალებას გაძლევთ დაუყოვნებლივ იმუშაოთ ძალიან დიდ მონაცემთა ნაკრებებთან, რაც გამორიცხავს ყველა მაგალითის ჩამოტვირთვისა და მეხსიერებაში ჩატვირთვის საჭიროებას. თუ თქვენ გაქვთ სტრუქტურირებული მონაცემები, როგორიცაა ამ მაგალითში, შეგიძლიათ უბრალოდ გამოიყენოთ `st.dataframe(df)` თქვენი მონაცემთა ნაკრების საჩვენებლად. არსებობს მრავალი Streamlit კომპონენტი მონაცემთა ინტერაქტიული დახატვისთვის. ერთ-ერთი ასეთი კომპონენტია `st.barchart()`, რომელიც გამოიყენება ლექსების შინაარსში ყველაზე ხშირად გამოყენებული სიტყვების ვიზუალიზაციისთვის. თუ გსურთ გამოიყენოთ ბიბლიოთეკები, როგორიცაა matplotlib, seaborn ან bokeh, ყველაფერი რაც თქვენ უნდა გააკეთოთ, არის `st.pyplot()`-ის განთავსება თქვენი ხატვის სკრიპტის ბოლოს. ქვემოთ შეგიძლიათ იხილოთ ინტერაქტიული სვეტოვანი დიაგრამა, dataframe კომპონენტი და ჰოსტირებული matplotlib-ისა და seaborn-ის ვიზუალიზაციები. კოდის ნახვა შეგიძლიათ მოცემულ ბმულზე. შეგიძლიათ უბრალოდ გადაათრიოთ და ჩააგდოთ თქვენი ფაილები, როგორც ეს ნაჩვენებია. გაითვალისწინეთ, რომ თქვენ უნდა შეიტანოთ თქვენი დამატებითი დამოკიდებულებები `requirements.txt`-ში. ასევე გაითვალისწინეთ, რომ Streamlit-ის ვერსია, რომელიც გაქვთ თქვენს ლოკალურ მანქანაზე, იგივეა. უპრობლემო გამოყენებისთვის, იხილეთ Spaces API დოკუმენტაცია. არსებობს ამდენი კომპონენტი და პაკეტი, რომელთა გამოყენებაც შეგიძლიათ თქვენი მოდელების, მონაცემთა ნაკრებებისა და ვიზუალიზაციების დემონსტრირებისთვის. დასაწყებად შეგიძლიათ გადახვიდეთ მოცემულ ბმულზე.