选择 Python 作为 AI 基础编程语言

人生苦短，我用 Python 。

人们做一件事往往出于或多或少的利益。就比方讲，义务教育提倡学生学习英语，可能因为英语是全球最通用的语言，如果学会英语的听读写，遇到需要英语交流的地方自然不在话下。那说到 AI 这一行，选择何种编程语言也不例外。下文将侧重从 Python 的几个主要优势展开，讲述为何 Python 适合作为 AI 的基础编程语言。

太长不看版：

• Python 是开源、免费的编程语言，力求普及和高效协作。
• Python 语法简洁明了，写起来更省事，读起来也更方便。
• 得益于自身的特性，Python 成为从事数据处理和机器学习人员的首选。
• 已有的 AI 支持库让开发者无需关注底层，而只需把重心放在实现上，开发效率明显提升。

I. 编程语言之争：Python 的定位

Python 的战略定位是什么？其实很简单，就是要做一种免费、简单易用却又专业严谨的通用编程语言，或者叫胶水语言。期望普通人也能轻松容易地上手，把各种基本的程序元件拼装在一起，并且保证协调运作。

然而Python并非生来就是AI编程的首选。从 1989 年底 Guido 缔造这一语言开始，到机器学习正式崛起的 2013 年的二十几年间，Python 并没有成为 AI 研究员的一把扳手。但凭借其出色的特性，而后在几年 AI 呈现井喷的态势下，迅速就抓住了人们的眼球和持续关注。如今就连非从事技术人员都在问，“ Python 是什么？”

除 Matlab 属于付费性质外，其余编程语言都是免费使用。从成本的角度考虑，多数公司会倾向于选择免费可靠者。R 在统计应用领域占有一席之地，然而普及率不及另外几门语言。实际上，C++ 、Java 和 Python 是 AI 开发最常用到的三门语言。

II. 表达方式：简约易懂

假设一个例题，

已知 x * y = 32，x 和 y 都是正整数，且 y 为 x 的两倍，试求 x 和 y 的值。

不考虑解方程的效率，可能的实现方式如下（关键代码）：

• C++

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# include <iostream>
# include <math.h>
using namespace std;
int main(){
    double x, y, z;
    // found 用于标记是否解出方程
    bool found = false;
    z = 32;
    // 利用循环暴力解题
    for(double i=1; i<sqrt(z); i++){
        x = i;
        y = 2 * x;
        // 若找到方程的解，且误差在接受精度范围内，输出结果
        // 误差精度为 0.01
        if(abs(z-x*y) <= 1e-2){
            cout << "The answer is: x=" << x << ", y=" << y << "." << endl;
            found = true;
            break;
        }
    }
    /// 否则输出范围内无解信息
    if(!found)
        cout << "Not found! Try a larger range." << endl;
    return 1;
}

• Java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

public class Test {
    public static void main(String[] args) {
        double x, y, z;
        // found 用于标记是否解出方程
        boolean found = false;
        z = 32;
        // 利用循环暴力解题
        for(double i=1; i<Math.sqrt(z); i++){
            x = i;
            y = 2 * x;
            // 若找到方程的解，且误差在接受精度范围内，输出结果
            // 误差精度为 0.01
            if(Math.abs(z-x*y) <= 1e-2){
                System.out.println("The answer is: x=" + x + ", y=" + y +".");
                found = true;
                break;
            }
        }
        // 否则输出范围内无解信息
        if(!found)
            System.out.println("Not found! Try another range.");
    }
}

• Python

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# found 用于标记是否解出方程
found = False
z = 32
# 利用循环暴力解题
for i in range(1, int(z**0.5)+1):
    x = i
    y = 2 * x
    # 若找到方程的解，且误差在接受精度范围内，输出结果
    # 误差精度为 0.01
    if(abs(z-x*y) <= 1e-2):
        print("The answer is: x={}, y={}.".format(x,y))
        found = True
        break
    # 否则输出范围内无解信息
if(not found):
    print("Not found! Try a larger range.")

• 运行结果：

1

The answer is: x=4, y=8.

简单解读一下解方程的代码：

我们给定范围1~根号z（z为32），让计算机通过不断举出范围内的每个整数，并通过式子z - x * y（x为范围内整数，y是x的2倍）判断是否解出方程——若满足小于 0.01 ，方程解出，输出 x 和 y ，否则输出“未在范围内找到方程的解”。

计算机求解未知数的本质是运用穷举法。穷举法的求解效率依赖问题本身的规模大小和计算资源的多寡，因此我们常接触到的求解器大多经过了算法（逻辑上的）优化。此例为未经优化的代码。

从上往下看，Python 的代码量是三者中最少的，在开发方面一定程度上减少了代码的维护成本。另外，无论是range（范围），print（打印），not found（未找到）这些极为贴近人类语言的描述，还是类似z = 32这样简洁了当的描述，Python 的代码都足以给人一种更亲近的感觉。而其他编程语言的语法稍显啰嗦，在无形之中增加了理解的负担。

Python 给人以一种更像是“用尽可能直接简单的方式把事情做了”的感觉。

III. 巨人肩膀：丰富强大的资料库

做机器学习和深度学习必然躲不开数据处理。Python 就有许多擅长处理大量数据的库，例如 NumPy 和 Pandas， 这两个库都做了并行化处理来提高运算效率。配合自带的容器类型list、set、dict，数据的处理更加方便、快捷。

站在巨人的肩膀上，可以帮助我们望得更远。感谢那些辛勤的贡献者， 我们可以不需要关注算法在底层是如何实现，而只需把工作重心转移到业务的层面上。这么一来， AI 项目的开发效率自然就提升上去了。夸张点讲，好比是用硅和金属和用电子元件制造出一台计算机的差别。

开源社区的理念，驱使无数与 AI 相关的爱好者和研究人员贡献自己的智慧，让功能代码不断得以复用、完善和扩展。愿你在汲取养分，飞速成长的同时，献出你的才华来反哺开源社区，让它变得更加美好。

IV. 写在最后

总的来说，Python 是一种能让学习代价最小化的同时，将脑中想法尽快翻译成代码的载体。然而，编程语言无非只是一种工具。工具在于用，若非立志成为代码诗人或者语言大师，切忌过多琢磨！

延伸阅读

• Eren Gölge - Brief History of Machine Learning, 2016.
• AI 研习社 - AI 学术青年和开发者的求知求职社区, 2011.