谢邀。
先说结论:可以,但是要看应用场景。
再说获得结论最高原则:一切脱离应用场景提技术解决方案都是耍流氓。
Python和C/C++比起来优缺点都很明显:前者易用性更高,machine learning engineer里面懂Python的人远比C++用的好的人多。(C++用不好要死人。我自己因为这个浪费了很多自己和客人的时间和金钱。)
因为#1,前者可开发性和移植性好。很多新的模型,打开论文我们发现基本都是python的。验证,二次开发都很开心。
Data pipeline: 做好了都挺好。不过你上哪儿去找那么多好的C/C++程序员还能懂DL的呢?
Edge deploy。除非用CuDA,算力不限制。如果用ARM/Intel openVINO,模型大了python是万万不行的。
由此我们可以知道:
如果你的training-->Deployment算力很强,Python吧,省力。把时间花在data pipeline和metric validation上比这个强。
如果你的edge deployment,算力有限,用到tensorflow/lite,然后没有budget用Cuda的时候,那你还是上C++吧。ARM下的优化,起码方法更多些。
但是问题来了,通常你的C++工程师不懂machine learning咋办?(我经常碰到这样的团队)你可能会想,那我就python train --> C++ replicate然后deploy咋样?
千万别这么干,会死人。consistency问题怎么也无法有效解决。
那么,你就要担负起责任,招一个完整的,优秀的,懂machine learning也懂C++的团队,并且承受高昂的成本。
我的第一个C++的深度学习团队,从招第一个到第一个deployment,用了大约1年。
所以,还是尽量多攒钱买好电脑把。。。。