在第一篇文章我们就熟悉了Blocks的用法，使用Blocks比Interface更加灵活，这节重点关注Blocks里面的相关操作。
1、Blocks标准例子
import gradio as gr
def greet(name):
return "你好 " + name + "!"
with gr.Blocks() as demo:
name = gr.Textbox(label="姓名")
output = gr.Textbox(label="问候输出")
greet_btn = gr.Button("生成")
greet_btn.click(fn=greet, inputs=name, outputs=output, api_name="greet")
demo.launch() 
这个大家都很熟悉了，在标准的Blocks块里面布局一些输入输出组件，然后点击按钮，添加侦听器，调用的参数也是标准的三个参数：回调函数、输入、输出
这里的输出不能交互，所以不能编辑，当然也可以指定参数gr.Textbox(label="问候输出", interactive=True)来让它有交互性。
2、事件侦听类型
上面的例子是通过按钮的点击来触发，下面看一个change()事件侦听器，输入的时候，就会进行输出操作，当然不同的组件支持不同的事件监听器。例如，Video组件支持play()事件监听器，当用户按下play键时触发。
import gradio as gr
def welcome(name):
return f"欢迎, {name}!"
with gr.Blocks() as demo:
gr.Markdown(
"""
# 寅恪光潜
输入的过程观察输出
""")
inp = gr.Textbox(placeholder="输入你的名字")
out = gr.Textbox()
inp.change(welcome, inp, out)
demo.launch()这里没有做动态图演示了，注意的是输入更改，输出就会跟着更改 
这里在输入的时候就会触发change侦听事件，只要输入有变化就会自动进行处理与输出。另外我们也注意到，在Blocks块里面支持Markdown标记语言。
3、多个数据流
使用Blocks不像接口那样局限于单一的数据流，可以使用多个数据流，比如下面的两个文本框，可以a是输入b是输出，也可以反过来是a是输出和b为输入：
import gradio as gr
def increase(num):
return num + 1
with gr.Blocks() as demo:
a = gr.Number(label="a")
b = gr.Number(label="b")
btoa = gr.Button("a > b")
atob = gr.Button("b > a")
atob.click(increase, a, b)
btoa.click(increase, b, a)
demo.launch()点击按钮a>b的时候，将会让b作为输入，a作为输出，a=b+1，反过来，当点击b>a的时候，a作为输入，b作为输出，b=a+1
接着来看一个自动语音识别的示例，将语音转为文字的输出作为下个模型处理的输入，分析文本的情感，这里只支持英文，所以我截取了一段“The Sound of silence”音乐来看下效果
首次运行将会下载模型pytorch_model.bin，配置文件config.json，词汇vocab.txt等相关文件。
from transformers import pipeline
import gradio as gr
asr = pipeline("automatic-speech-recognition", "facebook/wav2vec2-base-960h")
classifier = pipeline("text-classification")
def speech_to_text(speech):
text = asr(speech)["text"]
return text
def text_to_sentiment(text):
return classifier(text)[0]["label"]
demo = gr.Blocks()
with demo:
audio_file = gr.Audio(type="filepath")
text = gr.Textbox()
label = gr.Label()
b1 = gr.Button("Recognize Speech")
b2 = gr.Button("Classify Sentiment")
b1.click(speech_to_text, inputs=audio_file, outputs=text)
b2.click(text_to_sentiment, inputs=text, outputs=label)
demo.launch()
这种音乐的识别有伴奏，识别难度稍微大点。
管道pipeline可接受的任务比较多，比如语音识别、图片分类、图片到文字、问答，摘要等等，然后这里再提供了一个预训练模型。
文本情感分类函数classifier
print(classifier("Good man"))#[{'label': 'POSITIVE', 'score': 0.9998418092727661}]4、函数输入为列表与字典
到目前为止，您看到的事件侦听器都只有一个输入组件。如果想让多个输入组件向函数传递数据，你有两个选项来决定函数如何接受输入组件的值，先来看示例(官方例子做了简单修改)：
import gradio as gr
with gr.Blocks() as demo:
a = gr.Number(label="a")
b = gr.Number(label="b")
with gr.Row():
add_btn = gr.Button("求和")
sub_btn = gr.Button("求差")
c1 = gr.Number(label="a+b的结果")
c2 = gr.Number(label="a-b的结果")
def add(num1, num2):
return num1 + num2
add_btn.click(add, inputs=[a, b], outputs=c1)
def sub(data):
return data[a] - data[b]
sub_btn.click(sub, inputs={a, b}, outputs=c2)
demo.launch()
注意加法和减法的两个函数的写法和调用的不同！
add()和sub()都接受a和b作为输入。但是，这些侦听器之间的语法是不同的。
对于add_btn侦听器，我们将输入作为列表传递。add()函数将这些输入作为参数。a的值映射到实参num1, b的值映射到实参num2。
对于sub_btn侦听器，我们将输入作为一个集合传递(注意这里从中括号变为了大括号)，函数sub()接受一个字典参数data，其中键是输入组件，值是这些组件的值。
5、函数返回为列表与字典
在上面我们的函数参数输入可以是列表或字典，同理，在函数的返回值中，也是可以返回列表或者字典的。
with gr.Blocks() as demo:
food_box = gr.Number(value=10, label="Food Count")
status_box = gr.Textbox()
def eat(food):
if food > 0:
#return food - 1, "full"
return {food_box: food - 1, status_box: "full"}
else:
#return 0, "hungry"
return {status_box: "hungry"}
gr.Button("EAT").click(
fn=eat,
inputs=food_box,
outputs=[food_box, status_box]
)
demo.launch()这里可以看到函数返回的列表或字典，里面的值分别是食物数量以及饱腹还是饥饿状态。
6、更新组件配置
事件侦听器函数的返回值通常是对应输出组件的更新值。有时我们也想更新组件的配置，比如，可见性，这里看个示例就是看论文的长短来更新输入文本框的高度。
import gradio as gr
def change_textbox(choice):
if choice == "short":
return gr.update(lines=2, visible=True, value="比较短的论文...")
elif choice == "long":
return gr.update(lines=8, visible=True, value="比较长的论文")
else:
return gr.update(visible=False)
with gr.Blocks() as demo:
radio = gr.Radio(
["short", "long", "none"], label="论文写作的长度?"
)
text = gr.Textbox(lines=2, interactive=True)
radio.change(fn=change_textbox, inputs=radio, outputs=text)
demo.launch()当我们点击不同的单选按钮的时候，就会触发change侦听事件，然后通过change_textbox函数的用户选择，来更新文本框组件
7、连续运行事件
还可以通过使用事件侦听器的then方法连续运行事件。这将在前一个事件完成运行后运行一个事件。这对于运行分多个步骤更新组件的事件非常有用。
例如，在下面的聊天机器人示例中，我们首先使用用户消息更新聊天机器人，然后模拟延迟后使用计算机响应更新聊天机器人。
import gradio as gr
import random
import time
md = """This is some code:
hello
```py
def fn(x, y, z):
print(x, y, z)
"""
with gr.Blocks() as demo:
chatbot = gr.Chatbot()
msg = gr.Textbox()
clear = gr.Button("Clear")
def respond(message, chat_history):
bot_message = random.choice(["How are you?", "I love you", "I'm very hungry"])
chat_history.append((message, md))
time.sleep(1)
return "", chat_history
msg.submit(respond, [msg, chatbot], [msg, chatbot])
clear.click(lambda: None, None, chatbot, queue=False)
demo.launch()事件侦听器的.then()方法执行后续事件，而不管前一个事件是否引发任何错误。如果您希望仅在前一个事件成功执行时才运行后续事件，请使用.success()方法，该方法接受与.then()相同的参数。
您可以使用事件侦听器的每个参数以固定的时间表运行事件。这将在客户端连接打开时每秒钟运行一次事件。如果连接关闭，事件将在下一个迭代之后停止运行。注意，这并没有考虑事件本身的运行时。所以一个运行时间为1秒的函数在every=5的情况下，实际上是每6秒运行一次。
接下来看一个每秒更新的正弦曲线的例子：
import math
import gradio as gr
import plotly.express as px
import numpy as np
plot_end = 2 * math.pi
def get_plot(period=1):
global plot_end
x = np.arange(plot_end - 2 * math.pi, plot_end, 0.02)
y = np.sin(2*math.pi*period * x)
fig = px.line(x=x, y=y)
plot_end += 2 * math.pi
if plot_end > 1000:
plot_end = 2 * math.pi
return fig
with gr.Blocks() as demo:
with gr.Row():
with gr.Column():
gr.Markdown("更改滑块的值以自动更新绘图")
period = gr.Slider(label="Period of plot", value=1, minimum=0, maximum=10, step=1)
plot = gr.Plot(label="Plot (updates every half second)")
dep = demo.load(get_plot, None, plot, every=1)
period.change(get_plot, period, plot, every=1, cancels=[dep])
if __name__ == "__main__":
demo.queue().launch()如果没有安装plotly模块，同样会报模块缺失的错误
ModuleNotFoundError: No module named 'plotly'
安装，依然推荐加豆瓣镜像：
pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com plotly有兴趣的可以查阅其余章节：
Gradio的web界面演示与交互机器学习模型，安装和使用《1》
Gradio的web界面演示与交互机器学习模型，主要特征《2》
Gradio的web界面演示与交互机器学习模型，分享应用《3》
Gradio的web界面演示与交互机器学习模型，全局状态与会话状态《4》
Gradio的web界面演示与交互机器学习模型，接口自动刷新或连续刷新数据流《5》
Gradio的web界面演示与交互机器学习模型，高级接口特征《6》
