進入人工智慧領域，為什麼必須學習Python！
如果你想進入人工智慧這一領域，你應該首先學習Python。
儘管人工智慧領域還支持其他很多語言，但 Python 是應用範圍最廣而且最簡單的一個。但是為什麼要選擇 Python 呢——畢竟 Python 速度這麼慢？因為大多數的庫都使用的是符號式語言（symbolic language）方法而非命令式語言（imperative language）方法。解釋一下也就是說：不是一條接一條地執行你的指令，而是根據你給出的所有指令創建一個計算圖（computing graph）。這個圖被內部優化和編譯成可執行的 C++ 代碼。這樣你就能同時利用上兩個世界的最優之處：Python 帶來的開發速度和 C++ 帶來的執行速度。
我經常聽到人們談論深度學習和人工智慧——我該從哪里開始呢？TensorFlow 是現在最流行的吧？我聽說 Caffe 很常用，但會不會太難了？在 BEEVA Labs，我們常常需要應對許多不同的深度學習庫，所以我希望能夠將我們的發現和感想分享出來，幫助那些剛剛進入深度學習和人工智慧領域的人。
首先說幾個常用的深度學習語言。
TensorFlow
TensorFlow 是一個使用數據流圖（data flow graphs）進行數值計算的開源軟體庫。TensorFlow是Google Brain的第二代機器學習系統，已經開源。TensorFlow在很多地方可以應用，如語音識別，自然語言理解，電腦視覺，廣告等等。TensorFlow是一個非常靈活的框架，它能夠運行在個人電腦或者伺服器的單個或多個CPU和GPU上，甚至是移動設備上。
TensorFlow 支持 Python 和 C++，也允許在 CPU 和 GPU 上的計算分佈，甚至支持使用 gRPC 進行水準擴展。
Caffe
Caffe 不只是最老牌的框架之一，而是老牌中的老牌。起初的時候它並不是一個通用框架，而僅僅關注電腦視覺，但它具有非常好的通用性。在我們實驗室的實驗中，CaffeNet 架構的訓練時間在 Caffe 中比在 Keras 中（使用了 Theano 後端）少 5 倍。Caffe 的缺點是它不夠靈活。如果你想給它來一點新改變，那你就需要使用 C++ 和 CUDA 編程，不過你也可以使用 Python 或 Matlab 介面進行一些小改變。
Caffe 的文檔非常貧乏。你需要花大量時間檢查代碼才能理解它（Xavier 初始化有什麼用？Glorot 是什麼？）。Caffe 的最大缺點之一是它的安裝。它需要解決大量的依賴包……
MXNet
mxnet 是一個支持大多數編程語言的框架之一，包括 Python，R，C++，Julia 等。但我覺得使用 R 語言的開發者會特別偏愛 mxnet，因為至今為止還是 Python 以不可置疑的態勢稱霸深度學習語言的。我對多 GPU 的擴展能力有點疑慮並且我很原意去瞭解這樣實驗的更多細節，但目前我還是對 mxnet 持懷疑態度。
那麼，python為什麼適合人工智慧？
穀歌的TensorFlow基本上所有的代碼都是C++和Python，其他語言一般只有幾千行 。如果講運行速度的部分，用C++，如果講開發效率，用Python，誰會用Java這種高不成低不就的語言搞人工智慧呢？Python雖然是腳本語言，但是因為容易學，迅速成為科學家的工具（MATLAB也能搞科學計算，但是軟體要錢，且很貴），從而積累了大量的工具庫、架構，人工智慧涉及大量的數據計算，用Python是很自然的，簡單高效。現在大部分深度學習框架都支持Python，不用Python用誰？Python有非常多優秀的深度學習庫可用，人生苦短，就用Python。
如何讓自己使用Python開發的機器學習模型快捷低成本的跑起來，深度相容TensorFlow？你可以學習下穀歌的AIY Projects 專案。它也正在通過“AIY專案”這樣的計畫來促進開發人員和DIY社區對人工智慧的興趣，這些計畫本身代表了人工智慧。穀歌的目標是讓AI實現真正的平民化，令人工智慧無處不在，人人都可以學習。
儘管人工智慧領域還支持其他很多語言，但 Python 是應用範圍最廣而且最簡單的一個。但是為什麼要選擇 Python 呢——畢竟 Python 速度這麼慢？因為大多數的庫都使用的是符號式語言（symbolic language）方法而非命令式語言（imperative language）方法。解釋一下也就是說：不是一條接一條地執行你的指令，而是根據你給出的所有指令創建一個計算圖（computing graph）。這個圖被內部優化和編譯成可執行的 C++ 代碼。這樣你就能同時利用上兩個世界的最優之處：Python 帶來的開發速度和 C++ 帶來的執行速度。
我經常聽到人們談論深度學習和人工智慧——我該從哪里開始呢？TensorFlow 是現在最流行的吧？我聽說 Caffe 很常用，但會不會太難了？在 BEEVA Labs，我們常常需要應對許多不同的深度學習庫，所以我希望能夠將我們的發現和感想分享出來，幫助那些剛剛進入深度學習和人工智慧領域的人。
首先說幾個常用的深度學習語言。
TensorFlow
TensorFlow 是一個使用數據流圖（data flow graphs）進行數值計算的開源軟體庫。TensorFlow是Google Brain的第二代機器學習系統，已經開源。TensorFlow在很多地方可以應用，如語音識別，自然語言理解，電腦視覺，廣告等等。TensorFlow是一個非常靈活的框架，它能夠運行在個人電腦或者伺服器的單個或多個CPU和GPU上，甚至是移動設備上。
TensorFlow 支持 Python 和 C++，也允許在 CPU 和 GPU 上的計算分佈，甚至支持使用 gRPC 進行水準擴展。
Caffe
Caffe 不只是最老牌的框架之一，而是老牌中的老牌。起初的時候它並不是一個通用框架，而僅僅關注電腦視覺，但它具有非常好的通用性。在我們實驗室的實驗中，CaffeNet 架構的訓練時間在 Caffe 中比在 Keras 中（使用了 Theano 後端）少 5 倍。Caffe 的缺點是它不夠靈活。如果你想給它來一點新改變，那你就需要使用 C++ 和 CUDA 編程，不過你也可以使用 Python 或 Matlab 介面進行一些小改變。
Caffe 的文檔非常貧乏。你需要花大量時間檢查代碼才能理解它（Xavier 初始化有什麼用？Glorot 是什麼？）。Caffe 的最大缺點之一是它的安裝。它需要解決大量的依賴包……
MXNet
mxnet 是一個支持大多數編程語言的框架之一，包括 Python，R，C++，Julia 等。但我覺得使用 R 語言的開發者會特別偏愛 mxnet，因為至今為止還是 Python 以不可置疑的態勢稱霸深度學習語言的。我對多 GPU 的擴展能力有點疑慮並且我很原意去瞭解這樣實驗的更多細節，但目前我還是對 mxnet 持懷疑態度。
那麼，python為什麼適合人工智慧？
穀歌的TensorFlow基本上所有的代碼都是C++和Python，其他語言一般只有幾千行 。如果講運行速度的部分，用C++，如果講開發效率，用Python，誰會用Java這種高不成低不就的語言搞人工智慧呢？Python雖然是腳本語言，但是因為容易學，迅速成為科學家的工具（MATLAB也能搞科學計算，但是軟體要錢，且很貴），從而積累了大量的工具庫、架構，人工智慧涉及大量的數據計算，用Python是很自然的，簡單高效。現在大部分深度學習框架都支持Python，不用Python用誰？Python有非常多優秀的深度學習庫可用，人生苦短，就用Python。
如何讓自己使用Python開發的機器學習模型快捷低成本的跑起來，深度相容TensorFlow？你可以學習下穀歌的AIY Projects 專案。它也正在通過“AIY專案”這樣的計畫來促進開發人員和DIY社區對人工智慧的興趣，這些計畫本身代表了人工智慧。穀歌的目標是讓AI實現真正的平民化，令人工智慧無處不在，人人都可以學習。
