import gradio as gr from PIL import Image import numpy as np import faiss import torch #載入聊天機器人模型 from transformers import AutoTokenizer, AutoModelForCausalLM,TextIteratorStreamer,AutoModel from threading import Thread tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-0.5B-Instruct") model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-0.5B-Instruct") # device = "cuda" # model.to(device) def chat(message, history): prompt = [ {"role": "system", "content": "You are a helpful assistant."}, ] for i in history: prompt.append({"role": "user", "content": i[0]}) prompt.append({"role": "assisant", "content": i[1]}) prompt.append({"role": "user", "content": message}) messages = prompt text = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True ) # model_inputs = tokenizer([text], return_tensors="pt").to("cuda") model_inputs = tokenizer([text], return_tensors="pt") streamer = TextIteratorStreamer(tokenizer, timeout=10., skip_prompt=True, skip_special_tokens=True) generate_kwargs = dict( model_inputs, streamer=streamer, max_new_tokens=512, do_sample=True, top_p=0.95, top_k=1000, temperature=1.0, ) t = Thread(target=model.generate, kwargs=generate_kwargs) t.start() partial_message = "" for new_token in streamer: partial_message += new_token yield partial_message #AI履歷助手(使用RAG) embd= AutoModel.from_pretrained('jinaai/jina-embeddings-v2-base-zh', trust_remote_code=True, torch_dtype=torch.bfloat16) doc={'技能':'python，深度學習，web開發，數據分析', '經歷':'ICIM2024研討會、碩士期間擔任指導教授所開的類神經網路課程助教、大學專題實務成果展競賽亞軍，技術類業界評選第一名。', '論文概述':'題為「基於情緒支持的對話：融合情緒感知和關鍵字識別的研究」。研究旨在通過聊天機器人為情緒困擾者提供陪伴，緩解其短期心理壓力。本文提出的模型結合情緒標籤和關鍵字識別技術，與其他基礎模型相比，能夠提供更精準的回復，從而更有效地支持用戶的情緒需求。', '證照':'電腦硬體裝修丙級、電腦硬體裝修乙級、Database Administration Fundamentals、Software Development Fundamentals、Networking Fundamentals、CRM Merchandise Analyst、Enterprise Resource Planning', '助教工作內容':'主要協助老師指導學生實作部分。包括使用 WEKA 軟體教導學生快速構建和分析機器學習模型，並解釋模型結果的含義。後期則引導學生安裝 Python 環境，撰寫並執行機器學習模型的程式碼，幫助學生在未來能夠運用 AI 技術更有效地完成工作。', '專題內容':'專題名稱：熱影像結合人臉偵測暨網頁瀏覽系統。為因應新冠疫情，無接觸體溫檢測需求激增，本專題開發了利用紅外線熱影像和後端資料庫蒐集，最終實現異地閱覽和確保體溫監測的安全與效率。/n我的貢獻：硬體設備組裝、人臉偵測和後端資料庫及視覺化', '專案':'學生點名系統、氣管插管預測、貨車車牌辨識、聊天機器人', '學生點名系統簡述':''' 動機與目的： 鑒於每次上課點名都是老師的一大負擔，開發了這個學生點名系統，旨在幫助老師更有效地進行點名。本專案使用 Laravel 開源 PHP Web 框架開發，主要功能包括： 老師功能： - 查看課表及點名記錄 - 查看學生出缺席和請假狀況 - 審核學生請假申請 學生功能： - 查看課表及進行點名 - 查看出缺席和請假記錄 - 申請請假 該完整專案在github上，網址：https://github.com/WISD-2020/final02 ''', '氣管插管預測簡述':'動機與目的：為了協助醫生在執行插管時更精確地將氧氣管置入正確位置，我們利用影像分割技術（如 TransUnet、UNet++ 等）來實現該目標。最後，我們結合邊緣檢測與形態學技術，精確量化預測與實際的誤差，以提高插管的成功率並降低風險。', '貨車車牌辨識簡述':'動機與目的：為了提高貨車進出倉庫的效率，我們建立一個車牌辨識系統，該系統基於深度學習技術，主要透過yolo來偵測車牌位置，再透過OCR技術來識別車牌號碼，最後將車牌號碼與倉庫數據庫進行比對，以確保進出貨物的準確性。 ', '聊天機器人簡述':'過去在研究語言模型時，尚未設計與機器人對話的專屬介面，因此這次實作了一個簡單的聊天機器人介面。該聊天機器人基於 Qwen 大型預訓練語言模型，這是一個多語言支持的模型，供使用者進行互動體驗。', } docs=['主要的技能(技術)包含：python，深度學習，web開發，數據分析', '特別經歷包含:ICIM2024研討會、碩士期間擔任指導教授所開的類神經網路課程助教、大學專題實務成果展競賽亞軍，技術類業界評選第一名。', '論文概述:題為「基於情緒支持的對話：融合情緒感知和關鍵字識別的研究」。研究旨在通過聊天機器人為情緒困擾者提供陪伴，緩解其短期心理壓力。本文提出的模型結合情緒標籤和關鍵字識別技術，與其他基礎模型相比，能夠提供更精準的回復，從而更有效地支持用戶的情緒需求。', '在高中和大學時期所拿到的證照有：電腦硬體裝修丙級、電腦硬體裝修乙級、Database Administration Fundamentals、Software Development Fundamentals、Networking Fundamentals、CRM Merchandise Analyst、Enterprise Resource Planning', '助教工作內容:主要協助老師指導學生實作部分。包括使用 WEKA 軟體教導學生快速構建和分析機器學習模型，並解釋模型結果的含義。後期則引導學生安裝 Python 環境，撰寫並執行機器學習模型的程式碼，幫助學生在未來能夠運用 AI 技術更有效地完成工作。', '大學專題內容:專題名稱：熱影像結合人臉偵測暨網頁瀏覽系統。為因應新冠疫情，無接觸體溫檢測需求激增，本專題開發了利用紅外線熱影像和後端資料庫蒐集，最終實現異地閱覽和確保體溫監測的安全與效率。/n我的貢獻：硬體設備組裝、人臉偵測和後端資料庫及視覺化', '參與過的專案包含：學生點名系統、氣管插管預測、貨車車牌辨識、聊天機器人', '''學生點名系統簡述: 動機與目的： 鑒於每次上課點名都是老師的一大負擔，開發了這個學生點名系統，旨在幫助老師更有效地進行點名。本專案使用 Laravel 開源 PHP Web 框架開發，主要功能包括： 老師功能： - 查看課表及點名記錄 - 查看學生出缺席和請假狀況 - 審核學生請假申請 學生功能： - 查看課表及進行點名 - 查看出缺席和請假記錄 - 申請請假 該完整專案在github上，網址：https://github.com/WISD-2020/final02 ''', '氣管插管預測簡述:動機與目的：為了協助醫生在執行插管時更精確地將氧氣管置入正確位置，我們利用影像分割技術（如 TransUnet、UNet++ 等）來實現該目標。最後，我們結合邊緣檢測與形態學技術，精確量化預測與實際的誤差，以提高插管的成功率並降低風險。', '貨車車牌辨識簡述:動機與目的：為了提高貨車進出倉庫的效率，我們建立一個車牌辨識系統，該系統基於深度學習技術，主要透過yolo來偵測車牌位置，再透過OCR技術來識別車牌號碼，最後將車牌號碼與倉庫數據庫進行比對，以確保進出貨物的準確性。 ', '聊天機器人簡述:過去在研究語言模型時，尚未設計與機器人對話的專屬介面，因此這次實作了一個簡單的聊天機器人介面。該聊天機器人基於 Qwen 大型預訓練語言模型，這是一個多語言支持的模型，供使用者進行互動體驗。', ] def get_embedding(text): embd_ = embd.encode(text) embd_ = embd_ / np.linalg.norm(embd_) # 归一化 return embd_ #建立嵌入向量庫 def add_to_faiss_index(embeddings): vector = np.array(embeddings) # 设置检索维度 index = faiss.IndexFlatIP(vector.shape[1]) faiss.normalize_L2(vector) index.add(vector) return index embedding_array = [get_embedding(text) for text in doc] faiss_index =add_to_faiss_index(embedding_array) embedding_array_1 = [get_embedding(text) for text in docs] faiss_index_1 =add_to_faiss_index(embedding_array_1 ) def vector_search(index,index_1, query_embedding, k=3, threshold=0.5): distances, indices = index.search(np.array([query_embedding]), k) # 如果想要筛选相似度大于某个阈值的结果，可以这样做 results = [] for i in range(k): if distances[0][i] > threshold: # 余弦相似度的距离应该是越大越相似 results.append(docs[indices[0][i]]) if not results: distances, indices = index_1.search(np.array([query_embedding]), k) for i in range(k): if distances[0][i] > 0.4: # 余弦相似度的距离应该是越大越相似 results.append(docs[indices[0][i]]) print('\n'.join(results)) return results if results else None def resume_QA(message, history): query_embedding = get_embedding(message) search_results = vector_search(faiss_index,faiss_index_1, query_embedding) if search_results: search_results='\n'.join(search_results) prompt = [ {"role": "system", "content":f""" 你是一位助手，幫助人家了解巫宇哲這個人。你只能根據下列提供的資訊回答問題，並且所有回答必須完全符合已提供的資訊，不能添加任何新內容或自己推測的訊息。如果問題的答案不在提供的資訊中，請明確回答 "沒有這方面的資料"。所有回答必須基於已提供的資料。 並且**嚴禁提及自己是 AI 或無法回答問題**。所有回答必須基於已提供的資料，禁止出現類似「在這個特定的環境下，我無法提供詳細信息」、「我是AI，無法回答此問題」或任何與 AI 自身相關的回覆。 提供的資訊： Name: 巫宇哲 {search_results} 請根據上面的資訊來回答問題。 """} ] for i in history: prompt.append({"role": "user", "content": i[0]}) prompt.append({"role": "assisant", "content": i[1]}) prompt.append({"role": "user", "content": message}) messages = prompt text = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True ) model_inputs = tokenizer([text], return_tensors="pt").to("cuda") streamer = TextIteratorStreamer(tokenizer, timeout=50., skip_prompt=True, skip_special_tokens=True) generate_kwargs = dict( model_inputs, streamer=streamer, max_new_tokens=512, do_sample=True, temperature=0.9, top_k=5, top_p=0.95, min_length=50, ) t = Thread(target=model.generate, kwargs=generate_kwargs) t.start() partial_message = "" for new_token in streamer: partial_message += new_token yield partial_message avatar_images = ["https://cdn-icons-png.flaticon.com/128/3135/3135715.png", "https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcTIJYnfODgs7q_Q4k6RoUL592NBlSF7wUTEhT92lRyqc4HTunB-"] custom_css = """ .gradio-container {background-color: #f0f0f0;padding-top: 0px !important;} /*.container {max-width: 100px; margin: 0; font-family: 'Arial', sans-serif;}*/ .header {background-color: #2c3e50; color: white; padding: 10px; text-align: center; border-radius: 10px 10px 0 0;margin-bottom: 0; /* Ensure no margin below header */} .content {background-color: white; padding: 10px; border-radius: 0 0 10px 10px; margin: 0;margin-top: 0;} .profile-pic {width: 150px; height: 150px; border-radius: 50%; margin: 20px auto; display: block;} .skills {display: flex; justify-content: space-around; margin-top: 20px;margin-bottom: 20px;} .skill {text-align: center; padding: 10px; background-color: #ecf0f1; border-radius: 5px;} .cert-row {border-bottom: 1px solid #ddd; padding: 10px 0;} .cert-header {background-color: #f2f2f2; font-weight: bold;} /* footer styling */ .gradio-container footer { display: none !important; } .custom-footer { text-align: center; padding: 0; /* 减小上下内边距 */ # line-height: 1.2; /* 减小行高 */ margin-top: 0; /* 减小与上方内容的间距 */ margin-bottom: 0; /* 减小与下方内容的间距 */ } .custom-footer p { margin: 0; /* 移除段落的默认外边距 */ } /* 主要針對chatbot聊天對話框設計版面*/ .custom-chatbot { background-color: #FBFBFF !important; /* 機器人對話框背景顏色 */ } .custom-chatbot .flex-wrap.user { background-color: #ECF5FF !important; /* 使用者訊息框的背景顏色 */ border: solid 1px #E6CAFF } .custom-chatbot .flex-wrap.bot { background-color: #ECF5FF !important; /* 使用者訊息框的背景顏色 */ border: solid 1px #E6CAFF } .custom-chatbot label.svelte-1b6s6s { background-color: #E8FFF5 !important; /* 設定背景顏色 */ } button.lg.primary.svelte-cmf5ev { background-image: linear-gradient(120deg, #a1c4fd 0%, #c2e9fb 100%) !important; /* 按鈕背景顏色 */ color: #4F4F4F !important; /* 文字顏色 */ } """ custom_footer = """

© 2024 Your Company Name. All rights reserved.

""" def load_image(image_path): img = Image.open(image_path) return np.array(img) #讀取頭貼 image_path = "/content/drive/My Drive/個人資料/頭貼.jpg" # profile_array = load_image(image_path) #讀去證照圖片 import gradio as gr def render_html(prove): if prove is not None: return f'點擊查看證明' else: return '' with gr.Blocks(css=custom_css,title='我的履歷') as resume_app:# title可以修改页面标题 # with gr.Column(): gr.HTML("""

巫宇哲的個人簡歷

軟體工程師 | AI 愛好者 | 數據分析師

""") with gr.Tab("履歷資料",elem_classes="content"): with gr.Row(): with gr.Column(scale=1): gr.Image('履歷資料/頭貼.jpg', elem_classes="profile-pic",show_label=False) gr.Markdown("""

📧 a0903153387@yahoo.com.tw

📱 0916-418068

GitHub github.com/3A732038

""") gr.Markdown(""" 關於我 === 熱衷於探索 AI 技術的軟體工程師，擅長 Python 和機器學習。 熟悉各類開發工具與框架，並具備網站開發與資料庫使用經驗。喜歡將創新想法轉化為實際應用。 """) gr.Markdown(""" 技能 === """) with gr.Row(elem_classes="skills"): for skill in ["Python", "深度學習", "Web 開發", "數據分析"]: gr.Markdown(f"
{skill}
") with gr.Row(): with gr.Column(scale=2): gr.Markdown(""" 特殊經歷 === """) prove=['file/履歷資料/研討會證明.png',None,'file/履歷資料/專題名次.pdf'] name=['ICIM2024研討會: 提交的研究成果被接受，並在研討會上進行了發表。','碩二下學期擔任指導教授所開的類神經網路課程助教。','大學專題實務成果展競賽亞軍，技術類業界評選第一名。'] describe=['本研究基於研究所時期的成果，題為「基於情緒支持的對話：融合情緒感知和關鍵字識別的研究」。研究旨在通過聊天機器人為情緒困擾者提供陪伴，緩解其短期心理壓力。本文提出的模型結合情緒標籤和關鍵字識別技術，與其他基礎模型相比，能夠提供更精準的回復，從而更有效地支持用戶的情緒需求。投稿內文連結', '主要協助老師指導學生實作部分。包括使用 WEKA 軟體教導學生快速構建和分析機器學習模型，並解釋模型結果的含義。後期則引導學生安裝 Python 環境，撰寫並執行機器學習模型的程式碼，幫助學生在未來能夠運用 AI 技術更有效地完成工作。' , '專題名稱：熱影像結合人臉偵測暨網頁瀏覽系統。
為因應新冠疫情，無接觸體溫檢測需求激增，本專題開發了利用紅外線熱影像和後端資料庫蒐集，最終實現異地閱覽和確保體溫監測的安全與效率。專題內文連結

我的貢獻：硬體設備組裝、人臉偵測和後端資料庫及視覺化' ] for i in range(len(name)): gr.HTML(f"""

  • {name[i]}

    {render_html(prove[i])}
    •  內容簡述： {describe[i]}

    """) with gr.Column(scale=1): gr.HTML('''
    證照
    ''') # Certificate table header with gr.Row(elem_classes="cert-row cert-header"): with gr.Column(scale=1, min_width=100): gr.Markdown("### 證照名稱") with gr.Column(scale=1, min_width=100): gr.Markdown("### 證照機構") with gr.Column(scale=2, min_width=200): gr.Markdown("### 證照照片") # Certificate data rows certificates = [ ("電腦硬體裝修丙級", "勞動部", "履歷資料/硬體裝修丙級_mask.jpg"), ("電腦硬體裝修乙級", "勞動部", "履歷資料/硬體裝修乙級_mask.jpg"), ("Database Administration Fundamentals", "微軟", "履歷資料/DAF.jpg"), ("Software Development Fundamentals", "微軟", "履歷資料/SDF.jpg"), ("Networking Fundamentals", "微軟", "履歷資料/NF.png"), ("CRM Merchandise Analyst", "微析科技", "履歷資料/crm_mask.jpg"), ("Enterprise Resource Planning", "中華企業資源規劃學會", "履歷資料/erp.jpg"), ] for cert_name, cert_org, cert_img in certificates: with gr.Row(elem_classes="cert-row"): with gr.Column(scale=1, min_width=100): gr.Markdown(cert_name) with gr.Column(scale=1, min_width=100): gr.Markdown(cert_org) with gr.Column(scale=2, min_width=200): gr.Image(cert_img, height=100, show_label=False) with gr.Tab("專案展示",elem_classes="content"): with gr.Row(): with gr.Column(scale=1): gr.Markdown(""" ## 學生點名系統 動機與目的： 鑒於每次上課點名都是老師的一大負擔，開發了這個學生點名系統，旨在幫助老師更有效地進行點名。本專案使用 Laravel 開源 PHP Web 框架開發，主要功能包括：
    老師功能：
    - 查看課表及點名記錄
    - 查看學生出缺席和請假狀況
    - 審核學生請假申請
    學生功能：
    - 查看課表及進行點名
    - 查看出缺席和請假記錄
    - 申請請假

    下圖為學生點名系統的截圖： """) with gr.Row(): with gr.Column(scale=1): gr.Markdown("""老師主頁課表封面""") gr.Image('履歷資料/網頁1.jpg',container=False)#container 決定是否外面有框框 with gr.Column(scale=1): gr.Markdown("""老師查看出缺席""") gr.Image('履歷資料/網頁2.jpg',container=False) gr.Markdown("""完整專案可參閱本github：學生點名系統專案""") gr.Markdown("""
    """) gr.Markdown(""" ## 氣管插管預測 動機與目的：為了協助醫生在執行插管時更精確地將氧氣管置入正確位置，我們利用影像分割技術（如 TransUnet、UNet++ 等）來實現該目標。最後，我們結合邊緣檢測與形態學技術，精確量化預測與實際的誤差，以提高插管的成功率並降低風險。 該成果如下展示： """) #提交要的範例後顯示對應該範例氣管插管真實和預測位置 def choice(input_idx,img): if input_idx == "example_2": return (gr.Image('履歷資料/EET_project/ex_2_pred.jpg', container=False,interactive=False,label='影像切割所預測出來的mask',visible=True,height=310), gr.Image('履歷資料/EET_project/ex_2_label.jpg', container=False,interactive=False,label='真實氣管的mask位置',visible=True,height=310) ) elif input_idx == "example_3": return (gr.Image('履歷資料/EET_project/ex_3_pred.jpg', container=False,interactive=False,label='影像切割所預測出來的mask',visible=True,height=310), gr.Image('履歷資料/EET_project/ex_3_label.jpg', container=False,interactive=False,label='真實氣管的mask位置',visible=True,height=310) ) else: return (gr.Image('履歷資料/EET_project/ex_1_pred.jpg', container=False,interactive=False,label='影像切割所預測出來的mask',visible=True,height=310), gr.Image('履歷資料/EET_project/ex_1_label.jpg', container=False,interactive=False,label='真實氣管的mask位置',visible=True,height=310) ) # 定義一個函數來根據 Dropdown 的選擇更新圖片 def update_image(choice): # 根據選擇返回對應的圖片 if choice == "example_1": return '履歷資料/EET_project/ex_1_init.jpg' elif choice == "example_2": return '履歷資料/EET_project/ex_2_init.jpg' elif choice == "example_3": return '履歷資料/EET_project/ex_3_init.jpg' with gr.Row(): with gr.Column(scale=1): dropdown = gr.Dropdown(["example_1", "example_2", "example_3"], label="Endotracheal Tube資料", info="氣管X-ray影像", value="example_1", interactive=True) image = gr.Image('履歷資料/EET_project/ex_1_init.jpg', container=False,interactive=False) # 當 Dropdown 值改變時更新 Image dropdown.change(fn=update_image, inputs=dropdown, outputs=image) gr.Interface(choice ,inputs=[dropdown,image] ,outputs=[gr.Image(visible=False),gr.Image(visible=False)],allow_flagging='never') gr.HTML("""成果文件檔案：EET成果文件檔  完整專案可參閱本github：EET專案""") gr.Markdown("""
    """) gr.Markdown(""" ## 貨車車牌辨識 動機與目的：為了提高貨車進出倉庫的效率，我們建立一個車牌辨識系統，該系統基於深度學習技術，主要透過yolo來偵測車牌位置，再透過OCR技術來識別車牌號碼，最後將車牌號碼與倉庫數據庫進行比對，以確保進出貨物的準確性。 該成果如下影片展示： """) with gr.Row(): with gr.Column(scale=1): gr.Video('履歷資料/貨車車牌/video_0001.mp4',label='原始貨車影片') with gr.Column(scale=1): gr.Video('履歷資料/貨車車牌/video_0001_result.mkv',label='車牌辨識影片') gr.HTML("""成果文件檔案：貨車車牌成果文件檔  完整專案可參閱本github：貨車車牌辨識專案""") gr.Markdown("""
    """) gr.Markdown(""" ## 聊天機器人 """) gr.Markdown(""" 動機與目的：過去在研究語言模型時，尚未設計與機器人對話的專屬介面，因此這次實作了一個簡單的聊天機器人介面。該聊天機器人基於 Qwen 大型預訓練語言模型，這是一個多語言支持的模型，供使用者進行互動體驗。
    ※ 注意：若畫面出現 error，請重新整理頁面！ """) gr.ChatInterface( chat, chatbot=gr.Chatbot(avatar_images=avatar_images), textbox=gr.Textbox(placeholder="輸入你的訊息...", elem_id="textbox"), submit_btn='送出', clear_btn='清除', retry_btn='重新送出', undo_btn=None ) gr.Markdown("""
    """) gr.HTML(f"""

    其他專案

    使用成人資料集 進行測試，針對收入（income）欄位進行分類預測，針對每週工時（hours-per-week）欄位進行回歸預測。我們應用了決策樹、隨機森林、支援向量機等機器學習演算法，並使用混淆矩陣、ROC 曲線、AUC 等指標來評估模型的表現。

    使用IRIS資料集進行分群預測，採用了 K-means、DBSCAN 和層次聚類演算法。模型表現的評估則基於 purity 指標。

    使用交易資料集進行關聯規則分析，採用了 Apriori 和 FP-Growth 演算法來找出產品之間的關聯，並以支持度與置信度來評估規則的強度。該完整內容如右：關聯規則文件檔案

    與上述分類與回歸預測相似，使用 成人資料集作為測試，不同之處在於這次使用了自建的類神經網路進行預測，評估指標依然保持一致。

    應用了多維縮放（MDS）與 t-SNE 等降維技術，將高維資料降至二維並進行視覺化展示。同時，對於名目尺度資料，我們除了使用 one-hot encoding，還特別測試了 word embedding 技術。該完整內容如右：降維文件檔案 """) with gr.Tab("AI小助手",elem_classes="content"): gr.Markdown(""" ##
    AI履歷助手：巫宇哲的智能個人資料查詢
    主要用途：此語言模型運用檢索增強生成 (RAG) 技術，為巫宇哲的個人資訊提供客製化聊天服務。透過實時檢索相關資料，模型能夠準確且生成個性化回覆，無需額外訓練。 特別適合在有新資料時，模型能即時更新知識，而無需反覆進行訓練，或是在無法進行大規模模型訓練的情境下使用。
    ※ 注意：該模型提供的資訊僅供參考，可能存在誤差，請根據履歷資料和專案展示頁面加以判斷。若是出現模型回答不好的情況也可以按重新發送按鈕，讓模型在回答一次。 """) gr.ChatInterface( resume_QA, chatbot=gr.Chatbot(height=400, elem_classes="custom-chatbot",avatar_images=avatar_images), textbox=gr.Textbox(placeholder="Ask me a yes or no question", container=False, scale=7), examples=["有參與過那些專案?", "有哪些證照或是技能?", "有什麼特殊經歷?","貨車車牌辨識在做什麼?","會使用python嗎?"], cache_examples=True, retry_btn="Retry", undo_btn="Delete Previous", clear_btn="Clear", ) # gr.HTML(custom_footer) resume_app.launch(allowed_paths=['./'],favicon_path='履歷資料/android-chrome-512x512.png')