為什麼 Python被Google選為TensorFlow的開發語言呢？使用 Python比C++語言進行機器學習有什麼優勢？
阿新 • • 發佈：2019-01-12
其實TensorFlow大部分核心並不是用Python編寫的 ：它是高度優化了C++和CUDA（Nvidia用於程式設計GPU的語言）的組合。 相反，通常它是使用了Eigen （高效能C ++和CUDA庫）和NVidia的cuDNN （用於NVidia GPU的非常優化的DNN庫，用於卷積等功能）。
TensorFlow的模型是程式設計師用“一種語言”（很可能是Python！）來表達。 這個模型，是寫在TensorFlow結構中的，如：
h1 = tf.nn.relu(tf.matmul(l1, W1) + b1)
h2 = ...
當Python執行時，實際上並沒有被執行。 相反，實際建立的是一個數據流圖 ，表示採取特定輸入，應用特定操作，將結果提供給其他操作的輸入，等等。 該模型由快速C ++程式碼執行，並且在大多數情況下，操作之間的資料不會被複制回Python程式碼 。
然後，程式設計師通過拉扯節點來驅動這個模型的執行，通常用Python進行訓練，有時在Python中，有時是在原始的C ++中：
sess.run(eval_results)
這一個Python程式（或C ++函式呼叫）使用C ++的程序內呼叫或分散式版本的RPC呼叫C ++ TensorFlow伺服器來告訴它執行，然後複製結果。
所以說，我們再說一下這個問題：為什麼TensorFlow選擇Python作為表達和控制模型訓練而且支援的非常好的語言？
答案很簡單：Python可能是大量資料科學家和機器學習專家用的最舒適的語言，也是易於整合和控制C ++後端的語言，同時也是廣泛使用與谷歌的公司內外和他們的開源產品。 鑑於使用TensorFlow的基本模型，Python的效能並不重要，這是一個很自然的契合。 NumPy也是一個巨大的加分，它可以很容易地在Python中進行預處理（也是高效能），然後將它們提供給TensorFlow，以獲得真正CPU-heavy的東西。
TensorFlow的模型是程式設計師用“一種語言”（很可能是Python！）來表達。 這個模型，是寫在TensorFlow結構中的，如：
h1 = tf.nn.relu(tf.matmul(l1, W1) + b1)
h2 = ...
當Python執行時，實際上並沒有被執行。 相反，實際建立的是一個數據流圖 ，表示採取特定輸入，應用特定操作，將結果提供給其他操作的輸入，等等。 該模型由快速C ++程式碼執行，並且在大多數情況下，操作之間的資料不會被複制回Python程式碼 。
然後，程式設計師通過拉扯節點來驅動這個模型的執行，通常用Python進行訓練，有時在Python中，有時是在原始的C ++中：
sess.run(eval_results)
這一個Python程式（或C ++函式呼叫）使用C ++的程序內呼叫或分散式版本的RPC呼叫C ++ TensorFlow伺服器來告訴它執行，然後複製結果。
所以說，我們再說一下這個問題：為什麼TensorFlow選擇Python作為表達和控制模型訓練而且支援的非常好的語言？
答案很簡單：Python可能是大量資料科學家和機器學習專家用的最舒適的語言，也是易於整合和控制C ++後端的語言，同時也是廣泛使用與谷歌的公司內外和他們的開源產品。 鑑於使用TensorFlow的基本模型，Python的效能並不重要，這是一個很自然的契合。 NumPy也是一個巨大的加分，它可以很容易地在Python中進行預處理（也是高效能），然後將它們提供給TensorFlow，以獲得真正CPU-heavy的東西。