python编程 Python语言其实很慢，为什么机器学习这种快速算法步骤通常还是用呢？
Python语言其实很慢，为什么机器学习这种快速算法步骤通常还是用呢？
对于那些使用了多种开发语言（Java、C#、nodejs、Erlang）然后转到Python进行机器学习的人，我想谈谈我的看法。
首先，Python真的很慢吗？我的回答是真的。非常慢。for循环比CPP慢两个数量级。
那么为什么要使用Python呢？如果我们遍历超过一亿个数据，两个数量级的差异是不可接受的。但是，如果我们使用Python来执行顶层逻辑并阻塞数以亿计的数据，Python只会循环十几次，剩下的就留给CPU和GPU了。所以两个数量级无关紧要？一毫秒和100毫秒在整个系统中并不重要。
Python最大的优点是它可以非常优雅地将数据抛出到高效的C、CUDA中进行计算。Numpy、panda、numba这些优秀的开源库可以非常方便高效地处理海量数据，借助ZMQ、cell等还可以做分布式计算，gevent借助epoll系统IO优化。因此，它不需要花费太多的精力就可以优雅高效地完成海量数据处理和机器学习任务。这就是Python如此流行的原因。
好好想想。同样的性能，代码只有CPP或Java的三分之一或更少，不是很吸引人吗？
作为一名研究生，除了可以用python写各种算法之外，还应该如何提高自己的python水平？
作为一名研究生，您用Python编写算法。我认为你想发展大数据和人工智能。
近年来，随着大数据和人工智能的爆炸式发展，Python变得越来越流行。如果你想提高你的Python水平，我想你可以从以下几点开始
！Apache spark是一个大数据处理框架，计算速度快，使用方便，支持复杂分析，有可能取代MapReduce。
尽管Python在机器学习和人工智能方面有很好的应用，但Python有一个很大的缺陷。它不支持分布式计算，但这并不重要。Spark提供了一个优秀的Python接口pyspark。有了它，python在分布式计算和流计算方面有了很大的改进。
另外，spark的核心RDD弹性分布式数据集与Python中panda的数据帧非常相似，可以很容易地相互转换。因此spark赋予Python以分布式方式处理大型数据集的能力。
Python有许多强大的web后端框架，如Django、flash等。学习这一点可以巩固Python的基础，并使用Python的高级用法，如装饰器、类、魔术方法、数据库等。
您不能总是在一台机器上使用该型号。您可以在大数据框架和网站中部署模型。这要求您了解后端和分布式计算。学习这两个方面，不仅可以提高python的水平，也可以让你在未来的大数据和人工智能领域发力。
学Python一定要会算法吗？
开始时，您不必很好地学习算法。但是随着技术的发展，仍然需要算法，否则只能做一些工作。
1. 学好软件开发离不开计算机理论基础，比如数据结构、操作系统、网络技术、算法研究等，如果你喜欢这项技术，那就不是问题。先开始，你可以弥补。
2. 算法是软件开发的灵魂。好的算法写不出好的程序。
3. 如何学习算法，首先选择经典算法教材。基本的可以从数据结构中学习，其中包含一些基本的算法，然后再学习特殊的算法（实际上，在数据结构领域学习算法一般就足够了）。网上还有很多论坛、算法网站，为了吸引眼球，它们一般都很通俗易懂。大多数算法都是C语言，但是语言在算法层次上是相互联系的，因此理解算法模型是最重要的。
4. 万事开头难。只要你开始，剩下的就是慢慢操作这项技术。该算法在实际应用中是最快、最强的。
希望对您有所帮助
Python是一种新的编程语言，类似于C#，大数据是一种大规模的数据集，如海量图像。大数据技术是指获取、存储、分析和管理大数据的技术的总称。基于Python和tensorflow，可以对图像大数据进行处理和深度学习。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
