اطلاعات این صفحه تا چند لحظه دیگر نمایش داده میشود.
اطلاعات این صفحه تا چند لحظه دیگر نمایش داده میشود.
رابط Gradio برای مدل یا ابزار AI را با Queue، Volume مدل و دامنه HTTPS منتشر کنید؛ تنظیمات listen و مصرف حافظه متناسب با workload انتخاب میشوند.
$ paasta login
$ cd my-gradio-app
$ paasta deploy
✓ build detected: gradio
✓ domain and HTTPS readyپاستا فایلها و قراردادهای خود این استک را میخواند و پیش از انتشار، تصمیمهای مهم Build و Runtime را شفاف نشان میدهد.
پکیجهای Python نصب و فایل ورودی Gradio برای فرمان اجرا انتخاب میشود.
server_name برابر 0.0.0.0 و server_port از PORT خوانده میشود.
وزن مدل، cache یا فایل خروجی حجیم روی Volume یا Object Storage قرار میگیرد.
در launch مقدار server_name='0.0.0.0' و server_port=int(os.environ['PORT']) را تعیین کنید. share=True روی پاستا لازم نیست.
بله، برای inference زمانبر از demo.queue() استفاده کنید و timeout مناسب سرویس را در نظر بگیرید. Queue مانع اشغال همزمان بیش از ظرفیت مدل میشود.
خیر. وزن مدل را هنگام Build از منبع معتبر دریافت یا روی Volume/S3 نگهداری کنید. قرار دادن فایل بزرگ در Git، Build و هر بروزرسانی را کند میکند.
ساخت حساب رایگان است. هزینه فقط بر اساس منابعی است که انتخاب میکنید.
شروع استقرار