最近，由于中国互联网已经进入下半场，人工智能被推向新的高峰，而Python又作为开发人工智能的首选语言之一，更是被同学们疯狂追逐。 但有一种说法是：相比Java和C ，Python语言其实很慢。 既然有这种言论，那么我们就来看看程序员圈的大牛们怎么看待这个观点。 @ozinfo：本人从90年代初就开接触使用Python。由于Python的作者作为程序员时用过众多的计算机语言，在总结所有计算机语言优缺点的基础上，创造了Python。对于工作在不同领域学界和工程界的科研人员来讲，Python极易上手，编程效率高，很容易在计算机上实现他们的prototype。这种用Python写一天和用C、C 要写十天之间的差距，对科研人员极具吸引力，这也是为什么Python的生态圈迅速成长起来的主因。对于计算量大的通用Algarithm，一般都会封装现有的C\C /Fortran的库。某些特定的算法，用Python直接写也无妨，慢点就慢点，真要重复大量使用这种算法时，再用C或C 写一遍。这么些年来，Python帮我解决太多的工程问题，靠的就是Python编程的简洁快速以及丰富的生态圈。 @补白：对于用过几种开发语言（Java、C#、Node JS、Erlang），而后转Python做机器学习的人，我说说我的看法。 首先，大家说Python慢是真的吗？我的回答是真的。非常慢，for循环比cpp慢两个数量级。 那为什么还用Python?假如我们遍历过亿的数据，两个数量级的差异是无法接受的。但如果我们用Python做最上层的逻辑，把上亿数据进行分块，Python只循环十几次，剩下扔给CPU和GPU。那么两个数量级是否就无所谓了呢？1毫秒和100毫秒在整个系统中真的无所谓了。 Python最大的优势在于，可以非常非常优雅地将数据扔给高效的C、CUDA去做计算。NumPy、panda、Numba这些优秀的开源库，可以非常方便地高效地处理海量的数据，借助ZMQ、Celery等还可以做分布式计算，gevent借助系统的epoll进行IO优化。所以，不需要花太多精力，就可以优雅，高效的实现海量的数据处理，机器学习的任务，这是Python火爆的原因。 想想，同样的性能，代码只有cpp或java的三分之一甚至更少，是不是很有**力？
@Rockets：没错，的确有很多人用“Python语言”编写机器学习算法，因为它可以支持非常快速的原型设计和全面的问题解决能力。但是，他们使用的库却没有一个是用Python语言写的。事实上，他们通常用Fortran或者C 语言来编写，然后用Python的轻量封装来封装后提供接口。 如果你只是用Python调用一个用高度优化的C 语言写成的库，那么Python本身是快是慢就不重要了。 @编程随想：机器学习(Machine Learning, ML)中的“机器”虽然是指各种计算机，但实际上这门学科并不是只涉及计算机专业的单一学科，而是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 机器学习的研究对从业人员的数学、统计方面的能力要求要远远高于一般的计算机研发人员，他们的核心工作是将自己的idea从公式转化到计算机语言，进行运行即可。这一次转化，中间所需要做的额外精力越少越好。这一点的**非常大的，虽然技多不压身，但做研究做探索，时间精力真的很宝贵，将Python 节约的时间用来思考真正该要解决的问题才是大家需要的。
@Sai7612118：纯碎从成本角度看，这是人力成本、时间成本和硬件成本之间的博弈。 假设用Python需要一天时间，用cpp需要10天时间。但是用Python写的程序需要10天，用cpp的只需要1天。假设这个任务需要在两天内完成，企业会如何选择呢？ 如果用Python，花一天时间编程，再采购10台服务器花一天时间运行。用cpp，那我可能需要找15个工程师编写，然后再用一天时间运行。 对企业来说一个人的运营成本比一台机器要高几倍。更何况现在有了云服务器，租用时间更加灵活。 @Androw：相信你只是道听途说罢了，Python并不像你说的那么慢。作为一门脚本语言，就意味着要比那些需要编译为可执行程序的语言要慢一些，因为在执行的过程中需要解析器参与，一边解析一边执行。这一点是脚本语言的瓶颈。但是随着现代计算机硬件配置越来越好，和你说的其他语言相比，Python的运行速度越来越接近了。作为一门开放性语言，维护者众多。这些年出现了好多实用的框架，深受广大开发者喜欢，这就是我认为选择Python的理由。 @对方看似在输入但其实没有：之前看过Hadoop上Java和Python程序的对比，Python还是明显慢一些的，但Python的优势在所谓的胶水语言特性，也就是可以封装其他语言的库，一定程度上解决了效率问题。Python使用很方便，生态圈不管什么原因完善起来了，因此更多的库无论原生是怎么写的，都会提供Python的封装或接口。另外，ml现在很多是做分布式大数据应用，之前有观点认为大数据下单机节点性能不那么重要，网络、架构和可靠性、易用性之类的更重要一些。 @新煮意的世界：首先，速度快与慢重不重要？重要！决定一个机器学习算法速度的主要因素是什么？不在于编程语言本身的那几秒，而是算法本身的优劣。编程语言的运行速度总是在一个范围内的快与慢，再者，大型算法往往都会使用服务器级别的计算机去运行。对于机器学习算法而言，重要的是算法要能够快速构建，代码的阅读性好，维护简单，上手容易。 @vazi：作为顶层封装集成，脚本语言具有快速编写即时见效，无需编译的效果。Python只需要简单封装底机器学习的基础类库（一般由C 编译得出），再写些简要的配置或调用逻辑，其实是不必耗费大量的精力的，所以将顶层调用的代码丢给运行性能较差的脚本也是可以的。 好了，听了这么多行业技术大牛的真实回答，你有什么感想呢？ 现在话筒交给你，请开始你的表演。 留言被选入精选者，即可免费获取黑马程序员最新Python教学资源。 特此声明：本文部分内容引用自今日头条科技圈大牛的评论。 |
|
声明：文章版权归原作者所有 部分文章转自互联网 如有侵权请联系
[邮箱地址] 删除
|
注册
登录
