为什么人工智能用 Python？_ZNDS问答

yahoooo

Python 作为脚本语言，运行速度没有 Java、C++ 快。 Python 到底有什么优势？

这属于一种误解，人工智能的核心算法是完全依赖于C/C++的，因为是计算密集型，需要非常精细的优化，还需要GPU、专用硬件之类的接口，这些都只有C/C++能做到。所以某种意义上其实C/C++才是人工智能领域最重要的语言。
Python是这些库的API binding，使用Python是因为CPython的胶水语言特性，要开发一个其他语言到C/C++的跨语言接口，Python是最容易的，比其他语言的ffi门槛要低不少，尤其是使用Cython的时候。其他语言的ffi许多都只能导入C的函数入口点，复杂的数据结构大多只能手工用byte数组拼起来，如果还需要回调函数输入那就无计可施了。而CPython的C API是双向融合的，可以直接对外暴露封装过的Python对象，还可以允许用户通过继承这些自定义对象来引入新特性，甚至可以从C代码当中再调用Python的函数（当然，也有一定的条件限制）。不过这也是PyPy这样的JIT解释器的一个障碍。
而且Python历史上也一直都是科学计算和数据分析的重要工具，有numpy这样的底子，因为行业近似所以选择API binding语言的时候会首选Python，同时复用numpy这样的基础库既减少了开发工作量，也方便从业人员上手。

因为脚本语言写起来简单容易。
Python虽然慢但是它只是调用AI接口，真正的计算全是C/C++写好的底层，用Python只是写逻辑，即第一步怎么算，第二步怎么算，几行代码就出来了。
换成C++，得先学1个月才能编译通过。不是说用C++写不了上层逻辑，而是代码量太大，开发效率太低，换来总体速度提升1%，不合适。
计算机语言各有适用性，即C/C++速度快适合底层写算法，Python慢但适合上层写逻辑。两者各自牛逼的特点恰好是对方傻逼的特点。

这个答案没有吹捧 Python 的意思，其主要内容是介绍一段历史和一些学科常识。平心静气的说，想看干货的可以去读期刊，开发文档，上面应该有足够多的公式和术语。利益不相关，不是 Python 开发者。
Peter Norvig 在他的博客里 http://norvig.com/python-lisp.html 解释了为什么使用 Python 。一开始他打算把自己书中的 Lisp 代码翻译成 Java，因为他的学生们对 Java 比较熟悉，看到 Lisp 的括号就头大如斗。但他们最后放弃了，因为 Java 太啰嗦了，书里的一小段伪代码需要一大段的 Java 代码来表示，伪代码和 Java 代码的差异太大了，即使它们表现的是同一个想法。最终 Peter Norvig 找了一种和伪代码很相似的程序语言，那就是 Python 。

显然，当我们的目的是想要传达想法，方便教学的话，一种便于理解的语言是最好的。首先我们会用自然语言，但是它不够形式化，有太多歧义。其次我们会想到伪代码（pseudocode），可惜它又不能执行，无法立即验证正确性。所以在这样的场景下，Python 是比较适用的。

或者这些科学家们真的没有时间去纠结指针，虚函数，构造函数的初始化顺序这类问题，因为这些问题连对付它们的专家 —— 工程师有时都会犯糊涂。此外，性能理论上只受程序的数学模型的影响，而实际上要比这复杂的多。比如性能还会受到数据规模，硬件因素等等影响。很显然，同样的算法用 Python 实现和用 C/C++ 实现，大概率是 C/C++ 快，但这种比较对计算机科学家来说没什么意义，因为它们的算法复杂度，比如说，都是 O(nlogn) 。从这个角度看，Python 起到的作用和数学公式是一样的，你不能说 C/C++ 的性能比伪代码好，因为伪代码不是用来执行的。

当然，回到实际问题，回到公司的项目，如果性能成为瓶颈，再由工程师们用 Java 或者 C/C++ 重写就好了。

PS: 虽然这里我们把计算机科学家和工程师区别看待，不过在历史上，很多计算机科学家也是一流的工程师，这已无需赘述。

容易学，代码可读性高。

Python入门时间按天算的，

C++入门时间按年算的，

对于编程只是副业的AI科学家们来说，显然没那么多时间去学C++。

就拿Tensorflow举例子吧，Tensorflow的后端，也就是进行运算的模块，是用C/C++写的，速度很快；而Python作为前端的工具，是用来描述计算图的，在编译完计算图之后剩下的部分就交给高效的后端了。
打个比方，Python在机器学习领域的用处，就像是计算机的的键盘鼠标，而这些机器学习库的后端则像是计算机的CPU；用键盘鼠标来做运算当然是不现实的，但是用键盘鼠标把算式输入给计算机，让计算机来运算，岂不再正常不过？
那你说描绘计算图这种小事情，为什么不用最方便省时的工具呢，对吧？

运行速度可以通过堆硬件来提升
开发速度却不能通过堆人手来提升
对于目前人工智能的应用来说，能快速开发比能快速执行更有用。
关于这点，可以看下《黑客与画家》这本书。虽然书里说的是Lisp而非Python，但关于开发效率和运行效率的取舍逻辑是相似。而Python显然又比Lisp人性化多了。

Python最大的优点，就是

看上去很简单，然而主流语言除了Python没有其他选项能做到这一点（不恶心不代表没有坑，但其他语言不仅坑比Python多，其他地方还比Python恶心一百倍以上）。
所以Python是绝大部分人用起来最舒服的语言。
至于为什么Python上生态这么好，从Web到数据库到机器学习到图像处理到工业自动化，这么多人用它，基本都是因为“Python用起来舒服”这个原因。

Python是做 MVP（最小可行性产品）的最好搭档

一个语言的发展啊，还是要考虑历史的进程的。
Python 有三个非常重要的特性，易上手，社区丰富，性能扩展方便
易上手。
这个很容易理解了，Python 算是目前对于新手最为友好的语言了，你基本直接随意找一个 Tutorial 走一遍基本就能上手了。
而且 Python 作为一种解释性语言，人机交互方面，天生比 C++/Scala 这种编译型语言要人类有好的多。快速验证一个模型什么的，出个图什么的，都很方便。
社区丰富：
Python 目前周边算是非常成熟，针对不同的需求都有着自己比较受欢迎的库什么的
比如临时写个 web 接口什么的
pallets/flaskgithub.comdjango/djangogithub.com比如觉得自带的 REPL 不太好用的
jupyter/jupytergithub.comjupyter/notebookgithub.com想要快速出个图什么的
https://github.com/plotly/plotly.pygithub.compyecharts/pyechartsgithub.com配合前面的易上手的特性，模型人员在快速验证想法，迭代 prototype 的时候，可以很方便的按需选择，而不必去考虑太多关于工程上的细节。
性能扩展方便
CPython 一直保持的一点就是，在你觉得某些地方存在性能瓶颈的时候，可以很方便的用其余语言进行扩展
pandas-dev/pandasgithub.comnumpy/numpygithub.comtensorflow/tensorflowgithub.com比如这些常见的一大堆东西，模式都是 C/C++ 底层性能部分，Python wrap 之后暴露给使用者。

所以你看到没，Python 其实啥都能干，啥都能干的不错，所以某种意义上来讲 Python 在国内这两年的火爆，某种意义上算是一种对现实妥协。

同时，因为现在从业人员来源复杂，各个专业的都有，像数学，统计，经济学等等各行各业的朋友都试图在这波浪潮里分一碗羹。就目前来看Python 这样啥都能干，啥都能干的还行的特性，的确是对降低编程门槛，加快迭代效率而言有着不错的利好。
有什么坏处么？当然有啊
各路培训班纷纷打出了“人工智能时代，不会 Python ，等于文盲”的口号，让大家总有一种学会 Python = 学会人工智能的感觉，于是一大堆人蜂拥而来23333，这副场景怎么看都充斥着一股浓浓的韭菜味。

		自动登录	找回密码
密码			立即注册

为什么人工智能用 Python？

相关问题更多>

最新回答