用于AI开发的6种最佳编程语言

AI（ 人工智能 ）为应用程序开发人员开辟了无限的可能性。 通过利用机器学习或深度学习，您可以产生更好的用户配置文件，个性化设置和推荐，或者合并更智能的搜索，语音界面或智能帮助，或者以任何其他方式改进您的应用程序。 您甚至可以构建可以看到，听到和应对意外情况的应用程序。

您应该学习哪种编程语言来深入了解AI？ 当然，您需要一门具有许多良好的机器学习和深度学习库的语言。 它还应具有良好的运行时性能，良好的工具支持，大量的程序员社区以及健康的支持包生态系统。 这是一长串的要求，但是仍然有很多不错的选择。

[ 也在InfoWorld上：人工智能，机器学习和深度学习：您需要知道的一切 ]

以下是我精选的六种用于AI开发的最佳编程语言，以及两个荣誉奖。 这些语言中的一些正在上升，而另一些正在下滑。 还有其他一些您只需要知道是否对历史深度学习架构和应用感兴趣。 让我们看看它们如何堆叠。

Python

排名第一的仍然是Python。 真的会是什么呢？ 尽管关于Python的事情令人发疯，但如果您从事AI工作，几乎可以肯定的是，您将在某个时候使用Python。 而且一些粗糙的斑点已经稍微平滑了。

随着2020年的到来，Python 2.x与Python 3.x的争论变得越来越重要，因为几乎每个主要的库都支持Python 3.x，并尽可能地放弃对Python 2.x的支持。 换句话说，您终于可以认真使用所有新的语言功能。

尽管仍然存在Python的打包梦night（其中每个解决方案都以略有不同的方式打破），但您可以在大约95％的时间内使用Anaconda，而不必担心太多事情。 不过，如果Python世界能够一劳永逸地解决这个长期存在的问题，那将是很好的。

也就是说，Python中可用的数学和统计资料库在其他语言中几乎是无与伦比的。 NumPy已经变得无处不在，几乎成为张量操作的标准API，而Pandas将R强大而灵活的数据帧带入了Python。 对于自然语言处理（NLP），您拥有着名的NLTK和快速的SpaCy 。 对于机器学习，有经过实践检验的Scikit-learn 。 而且，当涉及到深学习，目前所有的库（的TensorFlow ， PyTorch ， Chainer ， 阿帕奇MXNet ， Theano等）是有效的Python的第一个项目。

如果您正在阅读关于arXiv的前沿深度学习研究，那么您会发现大多数提供源代码的研究都是使用Python进行的。 然后是Python生态系统的其他部分。 尽管IPython成为Jupyter Notebook ，而不再以Python为中心，但您仍然会发现大多数Jupyter Notebook用户和大多数在线共享的笔记本都使用Python。 至于部署模型，诸如Seldon Core之类的微服务架构和技术的出现意味着如今在生产环境中部署Python模型非常容易。

[ 同样在InfoWorld上：为什么应该使用Python进行机器学习 ]

没有解决的办法。 Python是AI研究的最前沿语言，是您会找到最多的机器学习和深度学习框架的语言，并且AI世界中几乎每个人都在谈论这种语言。 由于这些原因，尽管您的作者每天至少处理一次空白问题，但Python还是AI编程语言中的第一名。

相关视频：机器学习和AI破译

通过围绕机器学习和人工智能的炒作，我们的小组讨论了该技术的定义和含义。

C ++

在开发AI应用程序时，C ++不太可能是您的首选，但是当您需要从系统中获取性能的最后每一点时-随着深度学习的发展，这种情况变得越来越普遍，您需要在模型上运行资源受限的系统-是时候再次回到可怕的指针世界了。

幸运的是，现代C ++可以令人愉快地编写（诚实！）。 您可以选择一种方法。 您可以使用Nvidia的CUDA之类的库来深入研究堆栈的底部，以编写直接在GPU上运行的自己的代码，也可以使用TensorFlow或PyTorch来访问灵活的高级API。 PyTorch和TensorFlow都允许您加载在Python（或PyTorch的Python的TorchScript子集）中生成的模型，并在C ++运行时中直接运行它们，从而使您更接近裸机进行生产，同时保留了开发的灵活性。

简而言之，随着AI应用程序在从最小的嵌入式系统到庞大的集群的所有设备中激增，C ++成为工具包的关键部分。 边缘的AI意味着它已经不够精确了。 你需要又好又快 。

[ 同样在InfoWorld上：为什么C编程语言仍会统治 ]

Java和其他JVM语言

JVM语言家族（Java，Scala，Kotlin，Clojure等）仍然是AI应用程序开发的理想选择。 无论是自然语言处理（ CoreNLP ），张量运算（ ND4J ）还是完整的GPU加速的深度学习堆栈（ DL4J ），您都可以在管道的所有部分使用大量的库。 另外，您可以轻松访问大数据平台，例如Apache Spark和Apache Hadoop 。

Java是大多数企业的通用语言，并且在Java 8和更高版本中提供了新的语言构造，因此编写Java代码并不是我们许多人都记得的令人讨厌的经历。 用Java编写AI应用程序可能会感到无聊，但可以完成工作-您可以使用所有现有的Java基础结构进行开发，部署和监视。

JavaScript

您不太可能只为编写AI应用程序而学习JavaScript ，但是Google的TensorFlow.js仍在不断改进，并提供了一种有趣的方式来将Keras和TensorFlow模型部署到浏览器或通过使用WebGL进行GPU加速计算的Node.js部署。

但是，自TensorFlow.js推出以来，我们还没有真正看到的一件事是，大量JavaScript开发人员涌入AI领域。 我认为这可能是由于与JavaScript之类的语言相比，周围JavaScript生态系统没有可用库的深度。

此外，在服务器端，与使用Python选项之一相比，使用Node.js部署模型并没有太多优势，因此我们可能会发现基于JavaScript的AI应用程序在不久的将来仍将主要基于浏览器。 但这仍然创造了许多有趣的机会，例如Emoji Scavenger Hunt 。

Swift

在去年的这篇文章中，我提到Swift是一种值得关注的语言。 今年，它进入了我的前六名。 发生了什么？ Swift为TensorFlow 。 TensorFlow的最新功能和最强大功能的完全类型化，无残障的绑定，以及使您可以像刚开始使用Python一样导入Python库的黑暗魔术。

Fastai团队正在开发其流行库的Swift版本，并且我们承诺通过将许多张量智能移至LLVM编译器，在生成和运行模型方面进行许多进一步的优化。 现在可以生产了吗？ 并非如此，但这确实可以为下一代深度学习开发指明道路，因此您绝对应该研究Swift的发展。

R语言

R在我们列表的底部，并且呈下降趋势。 R是数据科学家喜欢的语言。 但是，由于以数据帧为中心的方法，其他程序员经常发现R有点混乱。 如果您有专门的R开发人员小组，则可以将与TensorFlow ， Keras或H2O的集成用于研究，原型开发和实验，但是由于以下原因，我不建议将R用于生产或绿地开发性能和运营问题。 尽管您可以编写可以部署在生产服务器上的高性能R代码，但是几乎可以肯定，采用R原型并用Java或Python重新编码它会更加容易。

[ 通过InfoWorld Daily新闻通讯了解软件开发，云计算，数据分析和机器学习方面的最新发展 ]

其他AI编程选项

当然，Python，C ++，Java，JavaScript，Swift和R不是唯一可用于AI编程的语言。 尽管我不认为这是学习的重中之重，但您可能还会发现另外两种编程语言有趣或有帮助。

a

几年前，由于Torch框架， Lua在人工智能领域处于很高的地位， Torch框架是满足研究和生产需求的最受欢迎的机器学习库之一。 如果您深入研究深度学习模型的历史，则经常会在旧的GitHub存储库中找到对Torch和大量Lua源代码的大量引用。

为此，掌握Torch API的实用知识可能会很有用，与PyTorch的基本API相距不远。 但是，如果像我们大多数人一样，您真的不需要为您的应用程序做大量的历史研究，则可能不必绕着Lua的小怪癖就可以解决问题。

朱莉亚

Julia是一种专注于数值计算的高性能编程语言，非常适合大量使用AI的数学世界。 尽管目前还不是所有语言都流行，但诸如TensorFlow.jl和Mocha （受Caffe影响很大）的包装器提供了良好的深度学习支持。 如果您不介意相对较小的生态系统，并且想从Julia致力于轻松高效地执行高性能计算中受益，那么Julia可能值得一看。

From: https://www.infoworld.com/article/3186599/6-best-programming-languages-for-ai-development.html