性能提升 25 倍：Rust 有望取代 C 和 C++，成为机器学习首选 Python 后端

 在机器学习开发领域，如果我们纵观全局，撇除所有微小的细节，那么就可以提炼出机器学习开发中的两大不变步骤：模型训练和预测（或推断）。如今，机器学习的首选语言是 Python（除非你的工作环境有一些不寻常的约束才会有所不同），而这篇文章会带你走过一段新的旅程。希望当你看到最后会发现，使用 Rust 作为训练后端和部署平台的主意并不像听起来那样疯狂或令人困惑（除了标题提到的性能提升外，这种做法的好处其实还有很多）。

为什么选择 Python？

我们可以花很多时间讨论机器学习开发中使用的各种工作流，但如果说我们通常是以一种探索性的方式来训练模型，这通常是没有争议的。你有一组数据，然后把它们切成许多片段从而更好地理解它们，接着尝试各种方法来解决你所关注的特定问题。（在谷歌街景图片中识别出小猫？天气预报？抑或是作物产量优化？做什么你来定！）

这一路上会有很多陷阱，最后你尝试使用的大多数技术都不是开箱即用的，因此重点在于快速的原型设计和迭代改进。

对于像 Python 这样的动态编程语言，这是一个理想的使用场景。

更重要的是，你要考虑到大多数机器学习实践者会有统计学、数学、物理或类似学位的背景，却不是计算机科学专家，也就是说他们（我也一样✋）几乎没有接受过软件工程实践和工具方面的训练。

虽说 Python 同时支持函数式和面向对象的模式，但你可以使用命令式风格，凭借其脚本功能来快速上手。它的入门门槛很低，随着你的经验提升，越来越精于此道，Python 也会与你一同成长。

但是，仅仅易用是远远不够的：训练机器学习模型需要大量的繁琐运算，而 Python 绝对不是最快的编程语言。

于是我们看到 NumPy（1995/2006）、SciPy（2001）、Pandas（2008）和 Scikit-learn（2007）鱼贯入场。如果没有这样一个用于机器学习和科学计算的、高质量且覆盖全面的工具包，Python 就不会取得今天的地位。

然而，如果你深入背后探究一番，就会发现那里没有多少 Python 的位置：你正在使用 Python 来编排和利用一个 C 和 C++例程的强大内核。

Python 是这些系统的前端，用户用 Python 这个用户界面将它们轻松地粘合在一起。C 和 C++ 才是你的后端，是幕后的魔力源泉。

确实，这是 Python 经常被忽略的特性：使用其外函数接口（FFI）与其他编程语言互操作相当容易。特别是，Python 库可以将需要大量数字运算的程序代码委派给 C 和 C++，这是 Python 科学生态系统中所有基础库都在使用的策略。

当然，技术永远无法决定一切。社会学因素对于大多数项目的成功（或消亡）都是至关重要的，即使有些人觉得这难以接受。

因此我们应该再补充一些背景：Python 是一个开放源代码项目（嗨，MATLAB！），它在学术机构中的渗透水平是不可忽略的；而且事实上，当深度学习走进聚光灯下时，与它相关的多数科学生态系统已经建立完毕了。

事后看来，将 Python 视为会在机器学习领域占据统治地位的强大候选者是很自然的事情，结果也并不出人意料。

我们今后还应该继续使用 Python 吗？

前面我们简要地介绍了将 Python 作为机器学习开发首选编程语言的部分原因。

但世界并不是静止不变的：背景环境的变化可以大大改变人们对哪种工具是“最佳工作工具”的认识。

一些最新趋势可能会加强 Python 在机器学习领域的地位。

微服务

微服务架构目前在架构设计方法中占主导地位：公司用松散的容器化服务集合来运行他们的业务，这些服务通过网络相互通信。

运行一个 Polyglot 堆栈从未如此简单：你的主应用程序和业务逻辑的精华都可以用 Java 编写——当你想利用机器学习来确定某笔信用卡交易是合法还是欺诈时，你可以发出一个 POST 请求到一个 Python 微服务上。