💻 Step 3: 로컬에서 코드 작성하기

이제 내 컴퓨터에서 코드를 작성할 차례예요. 먼저 필요한 라이브러리를 설치해야 해요:

pip install gradio transformers torch

그리고 간단한 감정 분석 앱 코드를 작성해볼게요. app.py 파일을 만들고 이렇게 작성하세요:

import gradio as gr
from transformers import pipeline

# 감정 분석 모델 로드
classifier = pipeline("sentiment-analysis")

def analyze_sentiment(text):
    result = classifier(text)[0]
    label = result['label']
    score = result['score']
    
    # 결과를 한글로 변환
    if label == 'POSITIVE':
        sentiment = f"긍정적 😊 (확신도: {score:.2%})"
    else:
        sentiment = f"부정적 😢 (확신도: {score:.2%})"
    
    return sentiment

# Gradio 인터페이스 생성
demo = gr.Interface(
    fn=analyze_sentiment,
    inputs=gr.Textbox(lines=5, placeholder="분석할 텍스트를 입력하세요..."),
    outputs=gr.Textbox(label="감정 분석 결과"),
    title="🎭 텍스트 감정 분석기",
    description="입력한 텍스트의 감정을 분석해드립니다!",
    examples=[
        ["오늘 정말 기분이 좋아요!"],
        ["이 제품은 최악이에요..."],
        ["그냥 그래요."]
    ]
)

if __name__ == "__main__":
    demo.launch()

이 코드 진짜 간단하죠? ㅋㅋㅋ Gradio가 알아서 UI를 만들어줘서 우리는 로직만 작성하면 돼요! 🎨

📦 Step 4: requirements.txt 작성하기

Space에 필요한 라이브러리 목록을 알려줘야 해요. requirements.txt 파일을 만들고 이렇게 작성하세요:

gradio==4.8.0
transformers==4.35.0
torch==2.1.0

버전을 명시하는 게 중요해요! 나중에 라이브러리 업데이트로 인한 호환성 문제를 방지할 수 있거든요. 😎

🚀 Step 5: Space에 업로드하기

이제 작성한 파일들을 Space에 올릴 차례예요! 두 가지 방법이 있어요:

방법 1: 웹 인터페이스 사용 (초보자 추천)
Space 페이지의 "Files" 탭에서 "Add file" 버튼을 클릭하고 app.py와 requirements.txt를 드래그 앤 드롭하면 끝!

방법 2: Git 사용 (개발자 추천)
터미널에서 이렇게 입력하세요:

git clone https://huggingface.co/spaces/your-username/your-space-name
cd your-space-name
# 파일 복사 후
git add .
git commit -m "Initial commit"
git push

파일을 업로드하면 자동으로 빌드가 시작돼요. 보통 2-3분 정도 걸려요! ⏱️

🔧 README.md 작성하기

Space의 첫인상은 README.md가 결정해요! 여기에 앱 설명, 사용법, 예시 등을 작성하면 방문자들이 쉽게 이해할 수 있어요.

특히 YAML 헤더를 추가하면 Space의 메타데이터를 설정할 수 있어요:

---
title: 감정 분석기
emoji: 🎭
colorFrom: blue
colorTo: purple
sdk: gradio
sdk_version: 4.8.0
app_file: app.py
pinned: false
license: mit
---

# 🎭 텍스트 감정 분석기

이 앱은 입력한 텍스트의 감정을 분석해드립니다!

## 사용 방법
1. 텍스트 입력
2. 분석 버튼 클릭
3. 결과 확인

## 기술 스택
- Gradio
- Transformers
- PyTorch

이렇게 작성하면 Space 카드에 이모지와 그라디언트 색상이 예쁘게 표시돼요! 🎨

🚀 성능 최적화 팁

1. 모델 캐싱
모델을 매번 다운로드하면 시간이 오래 걸려요. 환경변수로 캐시 디렉토리를 설정하세요:

import os
os.environ['TRANSFORMERS_CACHE'] = '/tmp/cache'

2. 경량 모델 사용
무료 CPU로는 큰 모델을 돌리기 힘들어요. DistilBERT 같은 경량 모델을 사용하세요!

3. 배치 처리
여러 입력을 한 번에 처리하면 효율적이에요:

4. 비동기 처리
Gradio의 queue() 메서드로 요청을 큐에 넣어 처리하세요.

🔑 Secrets 관리하기

API 키나 비밀번호를 코드에 직접 넣으면 안 돼요! Hugging Face Space는 Secrets 기능을 제공해요.

Space 설정에서 "Repository secrets"에 들어가서 키-값 쌍을 추가하세요. 그러면 코드에서 이렇게 사용할 수 있어요:

import os

# Secrets에서 API 키 가져오기
api_key = os.environ.get("OPENAI_API_KEY")

if api_key is None:
    raise ValueError("API 키가 설정되지 않았습니다!")

이렇게 하면 코드에는 API 키가 노출되지 않아요! 🛡️

🐛 로그와 디버깅

Space의 "Logs" 탭에서 실시간 로그를 볼 수 있어요. 에러가 발생하면 여기서 확인하세요!

코드에 로깅을 추가하면 디버깅이 훨씬 쉬워져요:

import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

def process_input(text):
    logger.info(f"입력 받음: {text[:50]}...")  # 처음 50자만 로그
    try:
        result = model(text)
        logger.info("처리 완료")
        return result
    except Exception as e:
        logger.error(f"에러 발생: {str(e)}")
        raise

이렇게 하면 문제가 생겼을 때 원인을 빠르게 찾을 수 있어요! 🔍

🧪 자동 테스트

GitHub Actions로 자동 테스트를 설정할 수 있어요. .github/workflows/test.yml 파일을 만들어보세요:

name: Test

on: [push, pull_request]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v2
      - name: Set up Python
        uses: actions/setup-python@v2
        with:
          python-version: 3.9
      - name: Install dependencies
        run: |
          pip install -r requirements.txt
          pip install pytest
      - name: Run tests
        run: pytest tests/

이렇게 하면 코드를 푸시할 때마다 자동으로 테스트가 실행돼요! 버그를 미리 잡을 수 있죠. 🐛

🔗 Space 간 연동

여러 Space를 연결해서 복잡한 파이프라인을 만들 수 있어요! 예를 들어:

Space A: 이미지 업스케일링
Space B: 스타일 변환
Space C: 최종 결과물 생성

Gradio의 gr.Interface.load()로 다른 Space를 불러올 수 있어요:

import gradio as gr

# 다른 Space의 모델 불러오기
upscaler = gr.Interface.load("spaces/username/upscaler")
style_transfer = gr.Interface.load("spaces/username/style-transfer")

def pipeline(image):
    # 1단계: 업스케일링
    upscaled = upscaler(image)
    # 2단계: 스타일 변환
    styled = style_transfer(upscaled)
    return styled

demo = gr.Interface(fn=pipeline, inputs="image", outputs="image")
demo.launch()

이렇게 하면 여러 모델을 조합해서 더 강력한 기능을 만들 수 있어요! 🚀

🎨 커스텀 CSS

Gradio와 Streamlit 모두 커스텀 CSS를 지원해요! 내 브랜드 색상으로 꾸밀 수 있죠.

Gradio에서는 css 파라미터를 사용해요:

css = """
.gradio-container {
    font-family: 'Noto Sans KR', sans-serif;
}
.gr-button {
    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
    border: none;
}
"""

demo = gr.Interface(..., css=css)

Streamlit에서는 st.markdown()으로 CSS를 주입할 수 있어요!