import torch
from torch import nn

model = nn.Sequential(
    nn.Conv2d(1, 32, 3, padding='same'),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Conv2d(32, 64, 3, padding='same'),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Conv2d(64, 128, 3, padding='same'),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Flatten(),
    nn.Linear(1152, 256),
    nn.ReLU(),
    nn.Linear(256, len(LABELS)),
)
state_dict = torch.load('pytorch_model.bin',    map_location='cpu')
model.load_state_dict(state_dict, strict=False)
model.eval()

2. 定义 `predict` 函数

接下来，您需要定义一个函数，该函数接受用户输入（在本例中是一个涂鸦图像）并返回预测结果。预测结果应该作为一个字典返回，其中键是类名，值是置信度概率。我们将从这个文本文件加载类名。

对于我们的预训练模型，代码如下所示：

from pathlib import Path

LABELS = Path('class_names.txt').read_text().splitlines()

def predict(img):
    x = torch.tensor(img, dtype=torch.float32).unsqueeze(0).unsqueeze(0) / 255.
    with torch.no_grad():
        out = model(x)
    probabilities = torch.nn.functional.softmax(out[0], dim=0)
    values, indices = torch.topk(probabilities, 5)
    confidences = {LABELS[i]: v.item() for i, v in zip(indices, values)}
    return confidences

让我们分解一下。该函数接受一个参数：

img：输入图像，作为一个 numpy 数组

然后，函数将图像转换为 PyTorch 的 tensor，将其通过模型，并返回：

confidences：前五个预测的字典，其中键是类别标签，值是置信度概率

3. 创建一个 Gradio 界面

现在我们已经设置好预测函数，我们可以在其周围创建一个 Gradio 界面。

在本例中，输入组件是一个 sketchpad，使用方便的字符串快捷方式 "sketchpad" 创建一个用户可以在其上绘制的画布，并处理将其转换为 numpy 数组的预处理。

输出组件将是一个 "label"，以良好的形式显示前几个标签。

最后，我们将添加一个额外的参数，设置 live=True，允许我们的界面实时运行，每当用户在涂鸦板上绘制时，就会调整其预测结果。Gradio 的代码如下所示：

import gradio as gr

gr.Interface(fn=predict,
             inputs="sketchpad",
             outputs="label",
             live=True).launch()

这将产生以下界面，您可以在浏览器中尝试（尝试画一些东西，比如 "snake" 或 "laptop"）：

完成！这就是构建一个 Pictionary 风格的猜词游戏所需的所有代码。玩得开心，并尝试找到一些边缘情况🧐

构建一个 Pictionary 应用程序

简介

先决条件

1. 设置 Sketch Recognition 模型

2. 定义 predict 函数

3. 创建一个 Gradio 界面

2. 定义 `predict` 函数