TensorFlow，为什么Python是select的语言？
我最近开始学习深度学习和其他ML技术，我开始寻找简化构buildnetworking和训练过程的框架，然后我发现TensorFlow，对于我来说在这个领域没有什么经验，似乎速度是一个为深入学习做出更大的ML系统的一个重要因素，那么为什么Pythonselectpython来制造TensorFlow呢？ 把它翻译成一种可以被编译而不被解释的语言不是更好吗？
在C ++语言中使用Python进行机器学习有什么好处？
关于TensorFlow最重要的一点是， 核心不是用Python编写的 ：它是用高度优化的C ++和CUDA（Nvidia用于编程GPU的语言）编写的。 其中大部分是通过使用Eigen （一种高性能C ++和CUDA数字图书馆）和NVidia的cuDNN （一种非常优化的用于NVidia GPU的 DNN库，用于卷积等function）发生的。
TensorFlow的模型是程序员使用“一些语言”（很可能是Python！）来expression模型。 这个模型写在TensorFlow中，如：
h1 = tf.nn.relu(tf.matmul(l1, W1) + b1) h2 = ... Python运行时实际上并没有执行。 相反，实际上创build的是一个数据stream图 ，它表示采取特定的input，应用特定的操作，将结果作为其他操作的input提供给等等。 这个模型是由快速的C ++代码执行的，大部分操作之间的数据不会被复制回Python代码 。
然后，程序员通过拉动节点来“驱动”这个模型的执行 – 通常用Python进行训练，有时用Python进行训练，有时用原始的C ++进行训练：
sess.run(eval_results)
这一个Python（或C ++函数调用）使用对C ++的进程内调用或分布式版本的RPC调用C ++ TensorFlow服务器来告诉它执行，然后复制结果。
所以，就这样说，让我们重新提出一个问题：为什么TensorFlowselectPython作为expression和控制模型训练的第一个得到良好支持的语言？
答案很简单：对于大量的数据科学家和机器学习专家来说，Python可能是最舒适的语言，它也易于集成并控制C ++后端，同时也是普遍的，广泛用于内部和外部的谷歌和开源。 鉴于TensorFlow的基本模型，Python的性能并不那么重要，这是天作之合。 另外， NumPy可以很容易地在Python中进行预处理 – 同样具有很高的性能 – 在把它送到TensorFlow之前，真正的CPU是很重要的。
还有一堆复杂的expression模型，在执行时不用 – 形状推理（例如，如果你做了matmul（A，B），结果数据的形状是什么？）和自动梯度计算。 事实certificate，用Python来expression这些语言已经很不错了，不过我认为从长远来看，他们可能会转向C ++后端，以便更容易地添加其他语言。
（当然，希望在未来支持其他语言来创build和expression模型，使用其他几种语言进行推理已经非常简单了–C ++现在可以工作，Facebook上的某个人提供了我们现在正在审查的Go绑定等）
TF不是用python编写的。 它是用C ++编写的（并且使用高性能数值库和CUDA代码），你可以通过查看他们的github来查看。 所以核心不是写在Python中，但TF提供了许多其他语言（ Python，C ++，Java，Go ）的接口，
如果你来自一个数据分析领域，你可以把它看作是numpy（不是用python编写的，但是提供了Python的接口），或者你是一个web开发者 – 把它想象成一个数据库（PostgreSQL，MySQL，可以从Java，Python，PHP中调用）
Python前端（人们在TF中编写模型的语言）是最stream行的，原因很多 。 在我看来，主要原因是历史：大多数ML用户已经使用它（另一个stream行的select是R），所以如果你不会提供一个Python接口，你的图书馆很可能注定要默默无闻。
但是用python编写并不意味着你的模型是在python中执行的。 相反，如果以正确的方式编写模型，则在评估TF图时（除了用于debugging的tf.py_func（）除外） ，Python永远不会执行，因此应在实际模型中完全避免使用它Python的一面）。
这与例如numpy不同。 例如，如果您执行np.linalg.eig(np.matmul(A, np.transpose(A)) （即eig(AA') ），该操作将以某种快速语言（C ++或fortran）计算转置，把它从python和A一起拿出来，然后用一些快速的语言来计算乘法，然后把它返回给python，然后计算特征值并把它返回给python，所以尽pipe像matmul和eig这样昂贵的操作是有效计算的，通过将结果移到python后面并强制执行 ， TF不会这样做 ，一旦你定义了graphics，张量就不会stream入python，而是stream入C ++ / CUDA /其他东西。
Python允许您使用C和C ++创build扩展模块，与本机代码进行交互，并且仍然可以获得Python为您提供的优势。
TensorFlow使用Python，是的，但它也包含大量的C ++ 。
这允许使用更简单的接口进行实验，减less用Python思考的开销，并通过编程C ++中最重要的部分来增加性能。
