Streamlit是第一個專門針對機器學習和資料科學團隊的應用開發架構，它是開發自定義機器學習工具的最快的方法，你可以認為它的目标是取代Flask在機器學習項目中的地位，可以幫助機器學習工程師快速開發使用者互動工具。
1、Hello world
學程式設計，上 彙智網 ，線上練習環境，一對一助教答疑。
Streamlit應用就是Python腳本，沒有隐含的狀态，你可以使用函數調用重構。隻要你會寫Python腳本，你就會開發Streamlit應用。例如，下面的代碼在網頁中輸出
Hello, world!
：
import streamlit as st
st.write('Hello, world!') 結果如下：
2、使用UI元件
Streamlit将元件視為變量，在Streamlit中沒有回調，每一個互動都是簡單地傳回，進而確定代碼幹淨：
import streamlit as st
x = st.slider('x')
st.write(x, 'squared is', x * x) 
3、資料重用和計算
如果你要下載下傳大量資料或者運作複雜的計算該怎麼實作？關鍵在于安全地重用資料。Streamlit引入了緩存原語可以讓Steamlit應用安全、輕松的重用資訊。例如，下面的代碼隻需要從Udacity的自動
駕駛車項目下載下傳一次資料，進而得到一個簡單、快速的應用：
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]) 簡而言之，Streamlit的工作方式如下：
- 對于使用者的每一次互動，整個腳本從頭到尾執行一遍
- Streamlit基于UI元件的狀态給變量指派
- 緩存讓Streamlit可以避免重複請求資料或重複計算
或者參考下圖：
如果上面的内容還沒有說清楚，你可以直接上手嘗試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 這會自動打開本地的web浏覽器并通路Streamlit應用：
4、執行個體：自動駕駛資料集工具
下面的Streamlit應用讓你可以在整個Udacity自動駕駛車輛照片資料集中進行語義化搜尋，可視化人工标注，并且可以實時運作一個YOLO目标檢測器：
整個應用隻有300行Python代碼，絕大多數是機器學習代碼。實際上
其中隻有23個Streamlit調用。你可以嘗試自己運作：
$ pip install --upgrade streamlit opencv-python
$ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py 原文連結：
Streamlit - 機器學習工具開發架構 - 彙智網