st.session_state

时间: 2023-08-04 09:08:21 浏览: 141
`st.session_state` 是 Streamlit 提供的一个字典对象,用于在不同的回话(session)之间保存应用程序的状态信息。它允许开发者在应用程序的不同部分之间共享状态信息,而不必依赖于全局变量或其他类似的机制。 使用 `st.session_state`,可以像访问字典一样访问和修改保存在其中的状态信息。例如,下面的代码演示了如何使用 `st.session_state` 保存和更新一个计数器: ```python import streamlit as st # 初始化计数器 if 'counter' not in st.session_state: st.session_state['counter'] = 0 # 在页面上显示计数器的值 st.write(f"Counter: {st.session_state['counter']}") # 增加计数器的值 if st.button('Increment'): st.session_state['counter'] += 1 ``` 在这个示例中,我们首先检查计数器是否已经在 `st.session_state` 中定义,如果没有就初始化为 0。然后,我们使用 `st.write()` 显示计数器的值,并使用 `st.button()` 显示一个按钮,允许用户增加计数器的值。在按钮被点击时,我们通过访问 `st.session_state['counter']` 来更新计数器的值。 需要注意的是,在使用 `st.session_state` 时,应该尽量避免使用可变对象(如列表、字典等)作为状态信息的值,因为它们可能会导致不可预期的结果。

相关推荐

from transformers import AutoModel, AutoTokenizer import streamlit as st from streamlit_chat import message st.set_page_config( page_title="ChatGLM-6b 演示", page_icon=":robot:" ) @st.cache_resource def get_model(): tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True) model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda() model = model.eval() return tokenizer, model MAX_TURNS = 20 MAX_BOXES = MAX_TURNS * 2 def predict(input, max_length, top_p, temperature, history=None): tokenizer, model = get_model() if history is None: history = [] with container: if len(history) > 0: if len(history)>MAX_BOXES: history = history[-MAX_TURNS:] for i, (query, response) in enumerate(history): message(query, avatar_style="big-smile", key=str(i) + "_user") message(response, avatar_style="bottts", key=str(i)) message(input, avatar_style="big-smile", key=str(len(history)) + "_user") st.write("AI正在回复:") with st.empty(): for response, history in model.stream_chat(tokenizer, input, history, max_length=max_length, top_p=top_p, temperature=temperature): query, response = history[-1] st.write(response) return history container = st.container() # create a prompt text for the text generation prompt_text = st.text_area(label="用户命令输入", height = 100, placeholder="请在这儿输入您的命令") max_length = st.sidebar.slider( 'max_length', 0, 4096, 2048, step=1 ) top_p = st.sidebar.slider( 'top_p', 0.0, 1.0, 0.6, step=0.01 ) temperature = st.sidebar.slider( 'temperature', 0.0, 1.0, 0.95, step=0.01 ) if 'state' not in st.session_state: st.session_state['state'] = [] if st.button("发送", key="predict"): with st.spinner("AI正在思考,请稍等........"): # text generation st.session_state["state"] = predict(prompt_text, max_length, top_p, temperature, st.session_state["state"])逐句解析代码

import streamlit as st import numpy as np import pandas as pd import pickle import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.decomposition import PCA from sklearn.svm import SVC from sklearn.neighbors import KNeighborsClassifier from sklearn.ensemble import RandomForestClassifier import streamlit_echarts as st_echarts from sklearn.metrics import accuracy_score,confusion_matrix,f1_score def pivot_bar(data): option = { "xAxis":{ "type":"category", "data":data.index.tolist() }, "legend":{}, "yAxis":{ "type":"value" }, "series":[ ] }; for i in data.columns: option["series"].append({"data":data[i].tolist(),"name":i,"type":"bar"}) return option st.markdown("mode pracitce") st.sidebar.markdown("mode pracitce") df=pd.read_csv(r"D:\课程数据\old.csv") st.table(df.head()) with st.form("form"): index_val = st.multiselect("choose index",df.columns,["Response"]) agg_fuc = st.selectbox("choose a way",[np.mean,len,np.sum]) submitted1 = st.form_submit_button("Submit") if submitted1: z=df.pivot_table(index=index_val,aggfunc = agg_fuc) st.table(z) st_echarts(pivot_bar(z)) df_copy = df.copy() df_copy.drop(axis=1,columns="Name",inplace=True) df_copy["Response"]=df_copy["Response"].map({"no":0,"yes":1}) df_copy=pd.get_dummies(df_copy,columns=["Gender","Area","Email","Mobile"]) st.table(df_copy.head()) y=df_copy["Response"].values x=df_copy.drop(axis=1,columns="Response").values X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2) with st.form("my_form"): estimators0 = st.slider("estimators",0,100,10) max_depth0 = st.slider("max_depth",1,10,2) submitted = st.form_submit_button("Submit") if "model" not in st.session_state: st.session_state.model = RandomForestClassifier(n_estimators=estimators0,max_depth=max_depth0, random_state=1234) st.session_state.model.fit(X_train, y_train) y_pred = st.session_state.model.predict(X_test) st.table(confusion_matrix(y_test, y_pred)) st.write(f1_score(y_test, y_pred)) if st.button("save model"): pkl_filename = "D:\\pickle_model.pkl" with open(pkl_filename, 'wb') as file: pickle.dump(st.session_state.model, file) 会出什么错误

最新推荐

recommend-type

uuidgen.exe

Windows 8 SDK 此 SDK 于 2012 年 11 月发布,可用于创建适用于 Windows 8 或更早版本的 Windows 应用 () 使用 Web 技术、本机和托管代码;或使用本机或托管编程模型的桌面应用。
recommend-type

vb爬虫程序爬取音乐QZQ.zip

vb爬虫程序爬取音乐QZQ.zip
recommend-type

Matlab查看机器人地图

基于Matlab,读取txt数据,以figure窗口图片的形式查看机器人地图,并在其中显示机器人的位置和方向
recommend-type

72编辑距离.zip(算法)

72编辑距离.zip(算法)
recommend-type

pdf转word工具(免费试用)

pdf to word word to pdf ppt转pdf
recommend-type

PHP自定义模板引擎:分离前端与后端的开发利器

PHP的自定义模板引擎是Web开发中一种重要的工具,它旨在解决前后端分离的问题,提高开发效率并促进团队协作。在传统的Web开发流程中,前端工程师负责设计网站外观,后端工程师编写程序逻辑,这可能导致反复迭代和代码混杂。模板引擎的引入,使得页面设计与PHP逻辑分离,前端只需关注界面元素和配置,后端专注于业务逻辑。 模板引擎的基本原理是将页面设计作为模板文件,其中的静态部分(如结构、样式和布局)与动态内容(如数据库查询结果、用户输入等)分开。动态内容通常被特殊的“变量”或标记包裹,这些变量会在服务器端由PHP脚本处理时被替换为实际值。例如,Smarty、PHPLIB、IPB等是常见的PHP模板引擎,它们提供了丰富的API和语法,允许开发者灵活地控制页面展现。 使用模板引擎的优势包括: 1. 代码组织:模板引擎将HTML和PHP分离,减少了代码的复杂性,使维护和更新变得更加容易,尤其是对于大型项目和团队协作。 2. 可重用性和扩展性:模板可以复用,减少重复工作,且随着项目的演变,只需修改模板而不必改动底层代码。 3. 模块化开发:模板引擎支持模块化的页面设计,每个模板只关注自己的功能区域,有利于代码的模块化管理和复用。 4. 提高开发效率:前端工程师无需深入了解后端代码,可以更快地创建和修改界面,后端工程师则专注于业务逻辑,提升了开发速度。 5. 易于测试和调试:模板引擎的分离使得测试和调试更方便,特别是对于复杂的页面布局和动态内容。 6. 适应性强:模板引擎能轻松处理多种数据源,如数据库、API或其他服务,从而增强了应用的灵活性。 总结来说,PHP的自定义模板引擎是现代Web开发的重要组成部分,它通过模板与逻辑的分离,实现了前后端职责明确,提高了开发质量,促进了团队协作,使得开发过程更加高效和整洁。选择和使用合适的模板引擎,对于提升Web项目的整体开发体验至关重要。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【Java性能小贴士】:每天一个复杂度分析工具使用技巧,性能优化不二法门

![复杂度分析工具](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy92ekVpYjlJUmhaRDdiMmpwc2liVHNhWnhXamZoeWZxSXBlRFpYTFpIOGlidjkwMmh0Z1doWmpGOVE2Y1BBbnJlVzVtb09ublVCSnJrekh0ZVNMWmN4aFpQUS82NDA?x-oss-process=image/format,png) # 1. Java性能优化概述 Java作为广泛使用的编程语言,在企业级应用中承载了巨大的责任,因此性能优化显得尤为
recommend-type

from PyQt5.Qwt

"from PyQt5.QtWidgets import QApplication" 这行代码是在导入PyQt5库中的QApplication类,用于创建和管理应用程序的生命周期。`PyQt5`是一个Python绑定的Qt库,它提供了一组高级的图形用户界面组件,而`QApplication`则是Qt应用程序的核心部分,负责处理事件循环、窗口系统集成等。 如果你想要了解关于`Qwt`的相关内容,它是另一种强大的科学可视化库,它扩展了Qt的功能,特别是针对工程绘图和数学计算。`from PyQt5.Qwt import *`会导入Qwt中的所有类和模块,方便你在PyQt5项目中使用Qwt的各种功
recommend-type

Laravel入门教程:从入口到输出的全面解析

"这篇Laravel学习教程详细讲解了从入口到输出的过程,涵盖了预备知识、路由定义、中间件创建和表单验证等关键步骤。" 在深入探讨Laravel的运行流程之前,首先需要理解几个基本概念。Laravel框架的根目录通常位于`/path/to`,我们简称为Laravel目录,而Web服务器可访问的目录是`Laravel/public`,我们称之为Web目录。Web目录下的`index.php`是整个应用程序的入口文件。 I. 预备知识 Laravel的Web请求处理通常始于`index.php`。这个文件引导请求进入框架,并加载服务容器和服务提供者,初始化整个应用环境。 II. 过程详解 1. 定义web路由 当用户访问如`http://la.com/test/yueshu/female/20?name=chenxuelong`这样的URL时,路由负责解析这些参数。在`Laravel/routes/web.php`文件中,你可以定义路由规则,比如: ```php Route::get('/test/{name}/{sex}/{age}', 'TestController@test'); ``` 这条路由会将请求转发到`TestController`的`test`方法,并传递URL中的`name`、`sex`和`age`作为参数。 2. 定义中间件 中间件在请求处理前后执行特定操作,例如授权、日志记录或数据验证。在`Laravel/app/Http/Middleware`创建一个名为`Test.php`的中间件类,实现`handle`和`terminate`方法,分别用于处理请求和在处理完毕后执行某些操作。然后,在`Laravel/app/Http/Kernel.php`的`routeMiddleware`数组中注册这个中间件。 ```php 'Test' => \App\Http\Middleware\Test::class, ``` 3. 中间件的使用 在控制器或路由中指定中间件,确保在执行具体操作前,中间件的逻辑得以执行。例如,将`Test`中间件添加到`TestController`的`test`方法。 4. 表单验证(请求) Laravel提供了强大的表单验证功能,通过自定义验证类处理HTTP请求。在`Laravel/app/Http/Requests`目录下创建`FormValidate.php`,继承`FormRequest`基类,覆盖其`rules`方法以定义验证规则,并可选择性地覆盖`failedValidation`方法来处理验证失败的情况。 5. 控制器处理 控制器是业务逻辑的主要载体,接收到路由传递的请求后,控制器负责调用相关的方法来处理请求。在本例中,`TestController`的`test`方法会接收路由参数,并根据业务需求进行相应的操作。 6. 视图与响应 处理完业务逻辑后,控制器通常会返回一个视图或者直接生成HTTP响应。视图可以使用Blade模板引擎,将数据传递给视图并渲染成HTML,最终返回给客户端。 7. 输出过程 Laravel的响应机制会把控制器返回的内容转化为HTTP响应,包括状态码、头部信息和主体内容,然后发送回浏览器。 通过以上步骤,我们可以清晰地看到一个Laravel应用从接收到请求,到处理业务逻辑,再到生成并返回响应的完整流程。理解这个过程对于深入学习和优化Laravel应用至关重要。