Streamlit是第一个专门针对机器学习和数据科学团队的应用开发框架，它是开发自定义机器学习工具的最快的方法，你可以认为它的目标是取代Flask在机器学习项目中的地位，可以帮助机器学习工程师快速开发用户交互工具。

1、Hello world

Streamlit应用就是Python脚本，没有隐含的状态，你可以使用函数调用重构。只要你会写Python脚本，你就会开发Streamlit应用。例如，下面的代码在网页中输出 Hello,world!：

import streamlit as st
st.write('Hello, world!')

结果如下：

2、使用UI组件

Streamlit将组件视为变量，在Streamlit中没有回调，每一个交互都是 简单地返回，从而确保代码干净：

import streamlit as st
x = st.slider('x')
st.write(x, 'squared is', x * x)

结果如下：

3、数据重用和计算

如果你要下载大量数据或者运行复杂的计算该怎么实现？关键在于安全地重用数据。Streamlit引入了缓存原语可以让Steamlit应用 安全、轻松的重用信息。例如，下面的代码只需要从Udacity的自动 驾驶车项目下载一次数据，从而得到一个简单、快速的应用：

import streamlit as st import pandas as pd # Reuse this data across runs! read_and_cache_csv = st.cache(pd.read_csv) BUCKET = "https://streamlit-self-driving.s3-us-west-2.amazonaws.com/" data = read_and_cache_csv(BUCKET + "labels.csv.gz", nrows=1000) desired_label = st.selectbox('Filter to:', ['car', 'truck']) st.write(data[data.label == desired_label]) 结果如下：

简而言之，Streamlit的工作方式如下：

• 对于用户的每一次交互，整个脚本从头到尾执行一遍
• Streamlit基于UI组件的状态给变量赋值
• 缓存让Streamlit可以避免重复请求数据或重复计算

或者参考下图：

如果上面的内容还没有说清楚，你可以直接上手尝试Streamlit！

$ pip install --upgrade streamlit
$ streamlit hello
You can now view your Streamlit app in your browser.
Local URL: http://localhost:8501
Network URL: http://10.0.1.29:8501

这会自动打开本地的web浏览器并访问Streamlit应用：

4、实例：自动驾驶数据集工具

下面的Streamlit应用让你可以在整个Udacity自动驾驶车辆照片数据集中进行语义化搜索，可视化人工标注，并且可以实时运行一个YOLO 目标检测器：

整个应用只有300行Python代码，绝大多数是机器学习代码。实际上 其中只有23个Streamlit调用。你可以尝试自己运行：

$ pip install --upgrade streamlit opencv-python
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py