tensorflow和python先学哪个-前辈说先学会了这些Python知识点，再谈学习人工智能！...

原标题：前辈说先学会了这些Python知识点，再谈学习人工智能！

首先我们看一看Python的优势：

开源，跨平台。

社区。不要小看这一点。社区意味着有很多教程、书籍，出了问题很容易google到，乃至更好的IDE支持。

运行速度没有Java，C++快

当然，你会说上面这些优势Java和C++也有。实际上，Java的社区可能比Python大，至少Java的IDE比Python强（你可以自行对比下IntelliJ和PyCharm）。

语法设计的优雅。你可以说这些只是一些皮毛，无关痛痒。但这些皮毛其实是语言的"用户界面”。Java的语法是否优雅有争议，而C++的语法……

内存安全性。人工智能开发不应该操心指针错误这样的问题。当然Java不存在这个问题。

平滑的学习曲线。开发人工智能的人不一定都是程序员，很多学术界和从事数据分析的人并不熟悉C++。当然他们也可能不熟悉Python。但入门Python和入门C++的难度不可同日而语。

表达效率。Java和C++还是比较啰嗦的。虽然说靠谱的IDE可以自动生成代码，但这只是节省了打字的开销，而代码大部分时间是用来读的，而不是用来写的。

历史积累。人工智能涉及很多科学计算、数据可视化的任务。这方面，Python有非常优质的库，比如，numpy和pandas在别的语言里没有级别相当的替代品。

另外，速度其实并不是一个大问题。因为实际上你不一定真的在写Python.

比如，我们看以下TensorFlow代码的示例：

import tensorflow as tf

x = tf.placeholder(tf.float32, shape=[1, 1])

m = tf.matmul(x, x)

with tf.Session() as sess:

print(sess.run(m, feed_dict={x: [[2.]]}))

上面这段代码，明显是Python（这还用说？）。

但是，仔细看看，真的是Python吗？

实际上，这些代码构建了一个图m，然后通过tf.Session()的run方法运行了图m。

下面一段代码可能更明显，我们想迭代数据集dataset，在TensorFlow下需要这样写：

dataset = tf.data.Dataset.range(100)

iterator = dataset.make_one_shot_iterator()

next_element = iterator.get_next()

for i in range(100):

value = sess.run(next_element)

assert i == value

我们看到，我们不能直接使用Python迭代数据集，而要通过TensorFlow提供的方法构建迭代器。

这一情况可以类比使用Python访问SQL数据库：

t = ('RHAT',)

q = 'SELECT * FROM stocks WHERE symbol=?'

c.execute(q, t)

这里，我们构造了SQL请求语句，然后通过Python"执行”（execute）这些语句。表面上你在写Python，其实关键的逻辑在SQL语句里。更准确地说，你是在用Python构造SQL语句，然后运行构造的语句。这称为元编程（meta programming）。

同理，在TensorFlow下，表面上你在写Python，其实关键的逻辑都在TensorFlow图里。更准确地说，你是在用Python构造TensorFlow图，然后运行构造的图。

实际上，2017年万圣节（10月31日），Google发布了TensorFlow Eager Execution（贪婪执行），让你可以直接使用Python编程，而不是使用Python元编程TensorFlow图。

使用Eager Execution，上面两段TensorFlow代码可以改写为：

import tensorflow as tf

import tensorflow.contrib.eager as tfe

# 开启贪婪执行模式

tfe.enable_eager_execution()

x = [[2.]]

m = tf.matmul(x, x)

print(m)

dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6])

dataset = dataset.map(tf.square).shuffle(2).batch(2)

# Python风格的迭代器类

for x in tfe.Iterator(dataset):

print(x)

你看，TensorFlow明明可以"好好地”用Python编程的嘛。之前为什么要这么大费周折地绕一个圈子？

因为性能。

机器学习，尤其是现代的复杂模型，有着极高的算力需求。TensorFlow图可以很好地应对贪婪的算力需求，而Python则对此力不从心。

TensorFlow图专门针对机器学习的需求设计，所以可以很好地优化，以提升性能。

所以说，你其实大部分时间是在用Python进行元编程，并不需要操心Python的性能问题。

当然，天下没有免费的午餐。为了更好地优化，TensorFlow图对模型有着许多假设（这些假设从另一方面来说也是限制），也要求构造、运行分阶段进行（静态图模型）。这影响了模型的灵活性和表达力。

而像PyTorch这样支持动态图模型，更Pythonic的框架，为了优化性能可以说是煞费苦心，但仍有不足。

所以，Google Brain挖了Swift之父Chris Lattner做Swift For TensorFlow（上个月底刚刚开源），就是为了兼顾性能和灵活性。

Swift For TensorFlow对动态图模型代码进行分析，自动生成对应的TensorFlow图程序。

图程序提取（黄色方框）是Swift For TensorFlow的关键技术

上图中的model.swift没法换成model.py，因为Python那一大堆动态特性，使得Python无法被可靠地静态分析。

顺便说下题主关心的Java和C++。

model.java也不行，因为Java虽然是静态语言，但动态分发（dynamic dispatch）非常普遍。换句话说，Java主要的高层抽象手段，类和接口，都高度依赖动态分发。

model.cpp也许可以。但是，基于前面说过的C++的问题，C++没有机会。

总之，Python有一些主客观优势，再加上一些历史因素，成为当前人工智能的主流语言。但优势还没有大到和人工智能是"天作之合”的程度。而以后随着人工智能技术的发展，Python也未必能保持这个AI/ML主流语言的地位。

没有说人工智能要钦定Python，没有任何这个意思。但你一定要问Python到底有什么优势，它现在是人工智能的主流语言，怎么能没有优势？

下面我给大家介绍我整理的现阶段人工智能，Python的发展的路线是怎么样的：

欢迎大家关注，转发文章，人工智能，Python基础入门课程获取，私信小编（学习）就可以了！

责任编辑：