深度解析为什么做深度学习，都用python，而不用java或者c++

最新推荐文章于 2023-03-13 16:45:00 发布

老-黑客

最新推荐文章于 2023-03-13 16:45:00 发布

阅读量796

点赞数

分类专栏：程序员文章标签： python 深度学习 numpy python教程开发语言

本文链接：https://blog.csdn.net/weixin_49892805/article/details/128007872

版权

程序员专栏收录该内容

329 篇文章 7 订阅

订阅专栏

前言

Python是解释语言，这让写程序方便不只一点。举例来说，在C等编译语言里写一个矩阵乘法，需要自己分配操作数（矩阵）的、分配结果的内存、手动对BLAS接口调用gemm、最后如果没用smart pointer还得手动回收内存空间。Python几乎就是import numpy; numpy.dot两句话的事。Update (2015-5-7): 当然现在很多面向C/C++库已经支持托管的内存管理了，这也让开发过程容易了很多，但解释语言仍然有天生的优势——不需要编译时间。这对机器学习这种需要大量prototyping和迭代的研究方向是非常有益工作效率的。 （文末送读者福利）
Python的开发生态成熟，有很多非常有用的库可以用。除了上面说到的NumPy，还有SciPy、NLTK、os（自带）等等不一而足。Python灵活的语法还使得包括文本操作、list/dict comprehension等非常实用的功能非常容易高效实现（编写和运行效率都高），配合lambda等使用更是方便。这也是Python良性生态背后的一大原因。相比而言，Lua虽然也是解释语言，甚至有LuaJIT这种神器加持，但其本身很难做到Python这样，一是因为有Python这个前辈占领着市场份额，另一个也因为它本身种种反常识的设计（比如全局变量）。不过借着Lua-Python bridge和Torch的东风，Lua似乎也在寄生兴起。
写程序方便对做机器学习的人很重要。因为经常需要对进行各种各样的修改，这在编译语言里很可能是牵一发而动全身的事情，Python里通常可以用很少的时间实现。
Python的效率不差。解释语言的发展已经大大超过许多人的想象。很多比如list comprehension的语法糖都是贴近内核实现的。除了JIT[1]之外，还有可以大幅增加运行效率。最后，得益于Python对C的接口，很多像gnumpy, theano这样高效、Python接口友好的库可以加速程序的运行，在强大团队的支撑下，这些库的效率可能比一个不熟练的程序员用C写一个月调优的效率还要高。

读者福利：知道你对Python感兴趣，便准备了这套python学习资料，

对于0基础小白入门：