13個機器學習的框架偏向于Python的原因，供大家參考，具體內容如下

前言

主要有以下原因:

1. Python是解釋語言，程序寫起來非常方便

寫程序方便對做機器學習的人很重要。
因為經(jīng)常需要對模型進行各種各樣的修改，這在編譯語言里很可能是牽一發(fā)而動全身的事情，Python里通?？梢杂煤苌俚臅r間實現(xiàn)。

舉例來說，在C等編譯語言里寫一個矩陣乘法，需要自己分配操作數(shù)（矩陣）的內存、分配結果的內存、手動對BLAS接口調用gemm、最后如果沒用smart pointer還得手動回收內存空間。Python幾乎就是import numpy; numpy.dot兩句話的事。

當然現(xiàn)在很多面向C/C++庫已經(jīng)支持托管的內存管理了，這也讓開發(fā)過程容易了很多，但解釋語言仍然有天生的優(yōu)勢——不需要編譯時間。這對機器學習這種需要大量prototyping和迭代的研究方向是非常有益工作效率的。

2. Python的開發(fā)生態(tài)成熟，有很多有用的庫可以用

除了上面說到的NumPy，還有SciPy、NLTK、os（自帶）等等不一而足。Python靈活的語法還使得包括文本操作、list/dict comprehension等非常實用的功能非常容易高效實現(xiàn)（編寫和運行效率都高），配合lambda等使用更是方便。這也是Python良性生態(tài)背后的一大原因。相比而言，Lua雖然也是解釋語言，甚至有LuaJIT這種神器加持，但其本身很難做到Python這樣，一是因為有Python這個前輩占領著市場份額，另一個也因為它本身種種反常識的設計（比如全局變量）。不過借著Lua-Python bridge和Torch的東風，Lua似乎也在寄生興起。

3. Python的效率很高。

解釋語言的發(fā)展已經(jīng)大大超過許多人的想象。很多比如list comprehension的語法糖都是貼近內核實現(xiàn)的。除了JIT[1]之外，還有Cython可以大幅增加運行效率。最后，得益于Python對C的接口，很多像gnumpy, theano這樣高效、Python接口友好的庫可以加速程序的運行，在強大團隊的支撐下，這些庫的效率可能比一個不熟練的程序員用C寫一個月調優(yōu)的效率還要高。

4.數(shù)據(jù)存儲方便

有sql,hadoop,mangodb,redis,spark等

5.數(shù)據(jù)獲取方便

有Scrapy,beautifulsoup,requests,paramiko等

6.數(shù)據(jù)運算方便

有pandas，Numpy，scipy等

7.輸出結果方便

有matplotlib,VisPy等

8.和其他語言交互方便

有ctypes,rpy2,Cython,SWIG,PyQt,boost.python

9.加速方便

有pypy,Cython,PyCUDA

10.圖形圖像方便

有PyOpenGL,PyOpenCV,mayavi2

11.信號處理方便

PyWavelets，scipy.signal

12.云系統(tǒng)支持方便

github,sourceforge,EC2,BAT,HPC

13.python開源

python支持的平臺多，包括windows,linux,unix,macos。而matlab太貴，只能調用其api，用python省錢，省錢就是賺錢。
python 和 c++ 做個比較。

c++ 的cpu效率是遠遠高于 python 的.不過 python 是一門膠水語言，它可以和任何語言結合，基于這個優(yōu)點，很多數(shù)據(jù)處理的python 庫底層都是 c++ 實現(xiàn)的，意思就是說：你用python寫code，但效率是c++的。只有那些for 循環(huán)，還是用python的效率高。

近年來機器學習最要是深度學習，而深度學習使用cuda gpu加速遠比cpu要快，而cuda 是c++寫的。
所以現(xiàn)在TensorLayer、theano 等深度學習庫都是 python 編程、底層c++。

相關書籍推薦：

你眼中的Python大牛 應該都有這份書單

Python書單 不將就

不可錯過的十本Python好書

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論