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。
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-
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓