当前位置：首页 > news >正文

Hugging Face Spaces 介绍与使用指南

news 2025/9/4 16:34:35

Hugging Face Spaces 是一个 免费且开箱即用 的 AI 应用托管平台，可以直接部署 机器学习模型、数据分析工具、Web 应用，支持 Gradio、Streamlit、Docker、FastAPI 等框架。

1. Hugging Face Spaces 的优势

✅ 零成本部署：免费托管 ML 应用，无需配置服务器
✅ 支持多个框架：Gradio、Streamlit、Docker、FastAPI、Flask 等
✅ 易于分享：可以生成一个在线 URL，方便演示和协作
✅ 与 Hugging Face 生态兼容：可直接加载 transformers 模型和 datasets 数据集
✅ GPU/CPU 选择：免费提供 CPU，付费可用 T4/A10G GPU 加速

2. 如何创建 Hugging Face Space

（1）注册 Hugging Face 账号

👉 访问 Hugging Face 官网并注册账号。

（2）进入 Spaces

👉 访问 Hugging Face Spaces，点击 "Create a new Space"。

（3）填写 Space 详情

Space Name：应用的名称
Visibility：选择 Public（公开） 或 Private（私有）
SDK：选择 Gradio / Streamlit / Docker / Static（一般推荐 Gradio）
Hardware：选择 CPU / GPU（免费版支持 CPU，付费可用 GPU）
点击 "Create Space" 创建应用

3. 使用 Gradio 部署 AI 应用

Gradio 是一个 轻量级 Python Web UI 框架，适用于 ML/DL 模型的可视化，Hugging Face 默认支持 Gradio。

（1）安装 Gradio

pip install gradio

（2）创建 `app.py`

在 app.py 中编写 Gradio 应用：

import gradio as gr
from transformers import pipeline

# 加载 Hugging Face 预训练模型（情感分析）
classifier = pipeline("sentiment-analysis")

# 定义 Gradio 预测函数
def predict_sentiment(text):
    result = classifier(text)
    return result[0]["label"]

# 创建 Gradio 界面
iface = gr.Interface(
    fn=predict_sentiment, inputs="text", outputs="text",
    title="情感分析应用",
    description="输入一段文本，分析其情感（积极/消极）。"
)

# 启动应用
iface.launch()

（3）提交代码

在 Space 根目录下创建 requirements.txt，写入：

gradio
transformers

然后，使用 Git 提交代码：

git add .
git commit -m "Initial commit"
git push

几分钟后，Hugging Face Spaces 会自动运行应用，并生成一个 在线 URL！

4. 使用 Streamlit 部署 AI 应用

Streamlit 适用于 数据可视化和交互式 AI 应用。

（1）安装 Streamlit

pip install streamlit

（2）创建 `app.py`

import streamlit as st
from transformers import pipeline

st.title("情感分析应用")
st.write("输入一段文本，分析其情感（积极/消极）。")

# 加载模型
classifier = pipeline("sentiment-analysis")

# 用户输入
text = st.text_area("输入文本：")

# 预测
if st.button("分析"):
    result = classifier(text)
    st.write(f"情感分类：{result[0]['label']}")

（3）提交代码

在 requirements.txt 添加：

streamlit
transformers

然后推送代码：

git add .
git commit -m "Add Streamlit app"
git push

几分钟后，应用即可在线运行！

5. 使用 Docker 部署自定义应用

如果需要 自定义环境，可以使用 Docker。

（1）创建 `Dockerfile`

FROM python:3.8

WORKDIR /app
COPY requirements.txt /app/
RUN pip install -r requirements.txt

COPY app.py /app/
CMD ["python", "app.py"]

（2）提交 Docker 应用

将 Dockerfile、app.py、requirements.txt 推送到 Space，即可自动部署。

6. 在 Hugging Face Spaces 启用 GPU

默认 CPU 免费
GPU 需要 付费订阅 Pro/Enterprise
GPU 选项：
- T4（16GB）👉 适合中等模型，如 BERT
- A10G（24GB）👉 适合大型模型，如 LLaMA
- A100（80GB）👉 适合超大模型，如 GPT-3.5

✨ 使用 GPU 方法： 在 app.py 里将模型加载到 GPU：

import torch
from transformers import AutoModelForSequenceClassification

model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased").to("cuda")

7. 常见问题

Q1: 为什么应用没有启动？

✅ 检查 requirements.txt 是否正确
✅ 确保 app.py 代码无误
✅ Space 部署时 会自动安装依赖，可能需要几分钟

Q2: 如何访问 API？

部署后，可以用 requests 访问：

import requests

url = "https://your-space-name.hf.space/run"
data = {"text": "I love Hugging Face!"}
response = requests.post(url, json=data)
print(response.json())

Q3: 如何私有化 Space？

创建 Space 时选择 "Private"，只有授权用户可以访问。

总结

✔ Hugging Face Spaces 提供免费的 AI 应用托管
✔ 支持 Gradio / Streamlit / Docker，适用于不同应用场景
✔ 通过 git push 自动部署，几分钟即可生成 Web 应用
✔ 免费 CPU，付费 GPU（T4/A10G/A100），可运行大模型

🚀 Hugging Face Spaces 让 AI 应用部署更简单，适合企业和个人开发者快速上线 AI 解决方案！

查看全文

http://www.dtcms.com/a/90073.html