为什么，越多的 Python 开发者，都开始学习 Rust 了！

黑帽子唐哥

已于 2024-05-09 20:44:42 修改

阅读量795

点赞数 14

文章标签： python 学习 rust

于 2024-04-12 15:32:15 首次发布

本文链接：https://blog.csdn.net/weixin_59191169/article/details/137682961

版权

本文探讨了Python开发者转向Rust的趋势，原因包括Python在性能上的局限性、AI大模型需求的增长以及Rust提供的高效、安全特性。Rust因其速度快、内存管理友好和易于学习的特点，正成为解决Python性能瓶颈的理想选择。

摘要由CSDN通过智能技术生成

今天分享主题，为什么越来越多的 Python 爱好者，开始逐步地学习 Rust 呢？

Python

Rust 正在逐渐成为高性能 Python 包的首选“后端”主力语言，取代传统的 C。造成这样趋势的原因，大概总结下面几个方面：

Python 速度瓶颈： Python 简便易用，上手容易，问题在高性能库和数据处理方面速度较慢，尤其在数据工程和机器学习领域，纯 Python 编写不再适用了，而且未来的AI大模型时代，更加吃不消。
AI大模型主导地位： Python 在人工智能和数据分析等领域广泛应用，要求开发者在Python 中编写API，但也需要高性能数据处理。传统上，这导致依赖C语言或其他库。
不满足的解决方案： 以前的方法如将处理外包给 numpy 或 scipy，或学习C语言，但限制较多，特别是在需要向量化函数且无法使用for循环的情况下，受 GIL 限制。
C 语言挑战： 虽然很多开发者选择用C编写库并添加Python绑定，但掌握更低级的C编程技能，对于熟悉 Python 的开发者来说可能繁琐，涉及到空指针解引用、缓冲区溢出、内存泄漏等问题，头都大了，搞不了一点。
Rust 的登场： Rust 作为快速且内存高效的语言，成为理想的替代选择，性能上与C/C++语言高性能一致，更重要的是提供现代编程语言的安全性和便利性，摆脱手动内存管理和垃圾收集的困扰。

那么，这样来看，具备 Python 开发者和充满活力的开发者社区，要解决这个痛点，瞄准 Rust 为高性能 Python 包提供更优秀的解决方案，是个不错的选择。

例如，虽然 numpy 用于处理数组，但通过 for 循环逐元素操作，由于GIL的存在，性能可能不如预期的。这个时候，不得不使用更底层的东西如C/C++或者更高性能的语言如 Rust可能会更为合适，因为它们能够更好地处理并行计算，而无需担心GIL的限制。

import numpy as np      # 使用for循环逐元素操作   def elementwise_operation(arr):       result = np.zeros_like(arr)       for i in range(len(arr)):           result[i] = arr[i] * 2       return result      # 创建一个大型数组   data = np.random.rand(1000000)      # 进行逐元素操作   result = elementwise_operation(data)

Rust

Rust速度快、内存高效，简化了并行编程，有很出色包管理器 Cargo 工具、友好编译器和活跃的社区。对 Python 开发者来说，学习 Rust 比学C更容易，提供更好的“第一级”体验和平滑学习曲线。

近年来，高性能库纷纷选择 Rust 作为后端，展示了其与 Python 前端结合的卓越性能，很多机器学习库，都是 Rust 来开发。

（1）Polars：它是一个快速、高度并行、内存高效的库，用于处理 DataFrame。

Polars 作者选择Rust作为后端，原因是 Rust 提供最佳工具和正确性保证，特别适用于数据处理领域。Rust的借用检查器、安全内存使用和并发性使其成为构建低级工具的首选语言，同时对新学习者友好。Ritchie Vink 总结认为，Rust是一种现代系统语言，具有最好的正确性保证。

（2）Lance：也是一个高性能、低成本的矢量数据库。

选择 Rust 的原因，Lance 创始人 Chang She 和 Lei Xu 解释说，尽管团队有丰富的C开发经验，但选择Rust是为了提高工作效率，避免CMake的烦恼。他们在短短三周内将 Lance从C++重写为Rust，替代了四个月的工作，同时使用 Rus t发布新功能更加自信，避免出现段错误。

Rust 不仅仅用于数据处理，它对于许多其他具有高性能要求的 Python 包来说是一个有用的后端。

（3）Ruff： 是一个非常快的 Python linter，用 Rust 编写。

Ruff 作者 Charlie Marsh 解释说，Rust 提高了他构建高性能软件的能力，允许在较低级别进行操作而不损失抽象。他认为 Rust 的成功来自于其工具（Cargo）以及语言和生态系统的可访问性，使得从事系统编程变得更加平易近人，对其作为 Python 和其他高级语言的补充充满期待。Cargo 这个管理工具，我也觉得很好用，哈哈！

（4）Pydantic： 是一个开发人员友好的Python验证库

Pydantic 团队用 Rust编写了他们的V2，性能提高了20倍。除了速度之外，Rust 还带来了其他好处。Pydantic 创始人 Samuel Colvin指出，Rust使得编写和维护代码更加容易，特别是它强制捕获并处理每个可能的错误，相较于 Python 和 TypeScript 的类型系统会忽略错误。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

-END-