5️⃣ 機器學習整合（AI/ML）

🎯 Gradio 與機器學習的整合

Gradio 非常適合 機器學習與人工智慧（AI/ML）應用，因為它可以輕鬆將 深度學習模型 轉化為 可視化的 Web 介面，並讓使用者與模型互動。

🔹 為什麼使用 Gradio 來部署 ML 模型？

✅ 不需要前端開發，直接用 Python 產生 UI。

✅ 支援 TensorFlow、PyTorch、Hugging Face 等 ML 框架。

✅ 內建 圖片、音訊、文字、影片輸入支援，適合多種 AI 應用。

✅ 可分享 Web 介面，讓其他人測試你的模型。

---

🎯 影像分類應用（TensorFlow）

這是一個使用 TensorFlow + MobileNetV2 來做影像分類的示例。

import gradio as gr
import tensorflow as tf
import numpy as np

# 載入預訓練模型
model = tf.keras.applications.MobileNetV2(weights="imagenet")

def classify_image(img):
    img = img.resize((224, 224))
    img = np.array(img) / 255.0
    img = np.expand_dims(img, axis=0)
    preds = model.predict(img)
    return tf.keras.applications.mobilenet_v2.decode_predictions(preds, top=1)[0][0][1]

gr.Interface(fn=classify_image, inputs="image", outputs="text", title="影像分類應用").launch()

✅ 效果：使用者上傳圖片，模型返回圖片中的主要物件名稱。

---

🎯 自然語言處理（NLP）應用（Hugging Face Transformers）

這是一個使用 Hugging Face Transformers 來做文字情感分析的示例。

from transformers import pipeline
import gradio as gr

classifier = pipeline("sentiment-analysis")

def analyze_sentiment(text):
    result = classifier(text)[0]
    return f"情感: {result['label']}, 信心: {result['score']:.2f}"

gr.Interface(fn=analyze_sentiment, inputs="text", outputs="text", title="情感分析應用").launch()

✅ 效果：輸入一段文字，模型判斷情感（正面/負面）。

---

🎯 語音辨識應用（Whisper ASR）

使用 OpenAI Whisper 進行語音轉文字（ASR）。

import gradio as gr
import whisper

model = whisper.load_model("base")

def transcribe_audio(audio):
    result = model.transcribe(audio)
    return result["text"]

gr.Interface(fn=transcribe_audio, inputs="audio", outputs="text", title="語音辨識應用").launch()

✅ 效果：上傳音檔，模型轉換為文字。

---

📌 總結

應用	技術	範例
影像分類	TensorFlow (MobileNetV2)	inputs="image"，outputs="text"
文字情感分析	Hugging Face Transformers	inputs="text"，outputs="text"
語音辨識	OpenAI Whisper	inputs="audio"，outputs="text"

🚀 現在你已經學會如何將 ML 模型整合到 Gradio，接下來我們將學習如何部署並分享應用！ 😊