机器学习用哪门语言更好
情况分析
机器学习用Python还是Golang?在我看来，Python在这几年使用的人比较多，主要原因是框架和包较多。反而Golang这几年使用的人比较少，主要原因是框架和包比较少。而为什么要拿Golang和Python比呢。我觉得如果Golang有Python那么多包和框架可以取代Python，刚好这几年Go+的出现能和Pyhton通用我觉得这一拓展接下来会和云人工智能有关系，当然目前只是猜测。接下来看看机器学习Python和Golang两者之间的比较。
机器学习（人工智能）发展历史
| 机器学习阶段 | 年份 | 主要成果 | 代表人物 |
|---|---|---|---|
| 人工智能起源 | 1936 | 自动机模型理论 | 阿兰•图灵（Alan Turing） |
| 1943 | MP模型 | 沃伦•麦卡洛克（Warren McCulloch） | |
| 1951 | 符号演算 | 冯• 诺依曼（John von Neumann） | |
| 1950 | 逻辑主义 | 克劳德•香农（Claude Shannon） | |
| 1956 | 人工智能 | 约翰•麦卡锡（John McCarthy）、马文•明斯基（Marvin Minsky )、 克劳德•香农（Claude Shannon） | |
| 人工智能初期 | 1958 | LISP | 约翰•麦卡锡（John McCarthy） |
| 1962 | 感知器收敛理论 | 弗兰克•罗森布拉特（Frank Rosenblatt） | |
| 1972 | 通用问题求解（GPS） | 艾伦•纽厄尔（Allen Newell）、赫伯特•西蒙（Herbert Simon） | |
| 1975 | 框架知识表示 | 马文•明斯基（Marvin Minsky） | |
| 进化计算 | 1965 | 进化策略 | 英格•雷森博格（Ingo Rechenberg ) |
| 1975 | 遗传算法 | 约翰•亨利•霍兰德（John Henry Holland） | |
| 1992 | 基因计算 | 约翰•柯扎（John Koza） | |
| 专家系统和知识工程 | 1965 | 模糊逻辑、模糊集 | 拉特飞•扎德（Lotfi Zadeh） |
| 1969 | DENDRA、MYCIN | 费根鲍姆（Feigenbaum )、布坎南（Buchanan )、莱德伯格（Lederberg） | |
| 1979 | ROSPECTOR | 杜达（Duda） | |
| 神经网络 | 1982 | 自组织网络 | 图沃•科霍宁（Teuvo Kohonen） |
| 1982 | Hopfield网络 | 霍普菲尔德（Hopfield） | |
| 1986 | BP算法 | 鲁姆哈特（Rumelhart）、麦克利兰（McClelland） | |
| 1989 | 卷积神经网络 | 乐康（LeCun） | |
| 1998 | LeNet | 乐康（LeCun） | |
| 1997 | 循环神经网络RNN | 塞普•霍普里特（Sepp Hochreiter）、尤尔根•施密德胡伯（Jurgen Schmidhuber） | |
| 分类算法 | 1986 | 决策树ID3算法 | 罗斯•昆兰（Ross Quinlan） |
| 1988 | Boosting 算法 | 弗罗因德（Freund）、米迦勒•卡恩斯（Michael Kearns） | |
| 1993 | C4.5算法 | 罗斯•昆兰（Ross Quinlan） | |
| 1995 | AdaBoost 算法 | 弗罗因德（Freund）、罗伯特•夏普（Robert Schapire） | |
| 1995 | 支持向量机 | 科林纳•科尔特斯（Corinna Cortes）、万普尼克（Vapnik） | |
| 2001 | 随机森林 | 里奥•布雷曼（Leo Breiman）、阿黛勒• 卡特勒（Adele Cutler ) | |
| 深度学习 | 2006 | 深度信念网络 | 杰弗里•希尔顿（Geoffrey Hinton） |
| 2012 | 谷歌大脑 | 吴恩达（Andrew Ng） | |
| 2014 | 生成对抗网络GAN | 伊恩•古德费洛（Ian Goodfellow） |
为什么Python在近发展这么快
Python如今却稳坐编程语言界的霸主，尤其是在机器学习领域，所有主流机器学习框架都在用Python，当然Python爬虫也是有一部分功劳的。
Python引以为豪的机器学习算法，只是机器学习系统的一个组成部分。要实际大规模运行生产机器学习API。
机器学习API需要实现哪些功能的基础架构:
1.自动缩放
以便流量波动不会破坏您的API，API管理，以处理的API部署滚动更新，以便您可以在更新模型的同时仍为用户提供服务。
2.Cortex部署
对于像Cortex这样的开源机器学习部署平台，旨在使所有这些基础架构自动化，以及日志记录和成本优化等其他方面的关注，相比Python而言，Go更合。
GO在什么方面超过了Python
1.并发
并发对于机器学习基础架构至关重要，用户可以将许多不同的模型部署为不同的API，所有模型都在同一个Cortex集群中进行管理。
为了让Cortex Operator能够管理这些不同的部署，需要纠缠一些不同的API。
用户不会直接与任何这些API进行交互，取而代之的是，Cortex以编程方式调用这些API来供应集群，启动部署和监视API。
除此之外，Goroutines是正常的Go并发执行的功能。许多Goroutine可以放在一个OS线程上，如果Goroutine阻塞了OS线程，则Go运行时会自动将其余Goroutines移至新的OS线程。
使用asyncio等最新工具在Python中实现所有这些功能可能是可行的，但是Go的设计充分考虑了这种用例，这一事实使我们的生活变得更加轻松。
2.构建跨平台CLI
在Go中构建跨平台CLI更容易
Cortex CLI是一种跨平台工具，允许用户直接从命令行部署模型和管理API。Python编写的CLI尝试在各种平台之间分发太困难了。
因为Go可以编译成一个二进制文件（不需要依赖管理），所以它为我们提供了一个在平台之间分发CLI的简单解决方案，而无需进行过多的工程工作。经过编译的Go二进制文件和解释型语言的性能优势也很明显。
根据计算机基准测试游戏，Go的运行速度比Python快得多。许多其他基础结构CLI工具都是用Go编写的，这并非巧合。
3.生态系统
Go生态系统非常适合基础设施项目
开源的好处之一是，您可以从自己欣赏的项目中学习。 例如，Cortex存在于Kubernetes（本身用Go编写）生态系统中。 我们很幸运能够在该生态系统中学习到许多出色的开源项目。
例如: kubectl，minikube，helm ，kops等是用GO写的，不仅是Kubernetes项目。
无论是在看CockroachDB还是Hashicorp的基础设施项目，包括Vault，Nomad，Terraform，Consul和Packer，它们都是用Go编写的。
Go在基础设施领域的流行还有另一个影响，这就是大多数工程师都感兴趣！在基础架构方面工作的人对Go很熟悉，这使得吸引工程师更加容易。
总结
除此以外，相比Python，Go的优势还体现在：
拥有非常棒的编译器，编译器可以检测出你犯的所有低级错误更好的并行性。Go 语言就是为并行而生的部署简单。代码所需要的所有依赖都在一个二进制文件里风格一致。格式化工具会让所有代码风格都保持一致更便捷的工具。一个编辑器+插件满足几乎所有需求，都不需要IDE适用于机器学习的Python，适用于基础架构的GoCortex服务于下面展示一些 。
TensorFlow， PyTorch ， scikit-learn和其他Python模型，这意味着与这些模型的接口以及推理前后的处理，用Python完成。但是，即使将Python代码打包到了Docker容器中，这些容器都是用Go语言编写的代码精心编排的。如果你有兴趣成为一名机器学习工程师，那么了解Python是必须的。但是，如果你对使用机器学习基础结构感兴趣，则应认真考虑使用Go。
后记
大家觉得有什么方面说的不对可以再下方留言!
谢谢观看，希望大家能给个三连!