想知道有那幾種最佳人工智能開發語言嗎？大概就是這些了

您應該為您的機器學習或深度學習項目選擇哪種編程語言?這些是你最好的選擇

前言

你應該學習哪種編程語言來探究人工智能的深度？當然，你會想要一種有很多好的機器學習和深度學習庫的語言。它還應該具有良好的運行時性能、良好的工具支持、龐大的程序員社區和健康的支持包生態系統。這仍然會留下很多好的選擇。

下面是我為人工智能開發選擇的五種最佳編程語言，以及三個值得尊敬的提到。其中一些語言正在崛起，而另一些似乎在下滑。幾個月后再來，你可能會發現這些排名已經改變了。

1。python

第一，是python。怎么會是別的呢，真的？雖然關于python有一些令人發狂的事情，比如whitespacing，python 2.x和python 3.x之間的巨大分割，這五種不同的打包系統都以不同的方式被破壞，如果你在做人工智能的工作，你幾乎肯定會在某個時候使用python。

Python中可用的庫在其他語言中幾乎是無與倫比的。numpy已經變得無處不在，它幾乎是張量操作的標準API，pandas將r的強大而靈活的數據幀帶到了python上。對于自然語言處理（NLP），您擁有值得尊敬的NLTK和極快的SPAcy。對于機器學習，有經過戰斗測試的SciKit學習。當涉及到深度學習時，所有當前的庫（TensorFlow、PyTorch、Chainer、ApacheMXnet、Theano等）實際上都是Python第一個項目。

如果您正在閱讀關于arxiv的前沿深入學習研究，那么幾乎可以肯定，您將在python中找到源代碼。然后是Python生態系統的其他部分。雖然ipython已經成為jupyter筆記本，并且不再以python為中心，但您仍然會發現大多數jupyter筆記本用戶以及大多數在線共享的筆記本都使用python。

這是無法回避的。python是人工智能研究的前沿語言，是你能找到的機器學習和深度學習框架最多的語言，也是人工智能世界中幾乎所有人都會說的語言。出于這些原因，Python是人工智能編程語言中的第一個。

看個人簡介

2. Java and friends

JVM語言系列（Java、Scala、Kotlin、Culjule等）也是AI應用程序開發的一個很好的選擇。無論是自然語言處理（corenlp）、張量操作（nd4j）還是完整的GPU加速深度學習堆棧（dl4j），您都可以為管道的所有部分提供大量的庫。此外，您還可以輕松訪問大型數據平臺，如ApacheShark和ApacheHadoop。

Java是大多數企業的通用語言，隨著Java 8和Java 9中可用的新語言構造，編寫Java代碼并不是我們許多人所記得的可惡的經歷。在JAVA編寫AI應用程序可能會覺得無聊，但它可以完成任務，并且可以使用所有現有的Java基礎設施進行開發、部署和監控。

三。C/C++

當開發一個AI應用程序時，C/C++不太可能成為你的首選，但是如果你在一個嵌入式環境中工作，而你負擔不起Java虛擬機或Python解釋器的開銷，C/C++就是答案。當您需要從系統中擠出最后一點性能時，那么您需要返回到可怕的指針世界。

值得慶幸的是，現代C/C++可以寫得很好（誠實！）.你有多種方法可供選擇。您可以潛入棧底，使用CUDA之類的庫來編寫直接在GPU上運行的代碼，也可以使用TensorFlow或CAffe來訪問靈活的高級API。后者還允許您導入您的數據科學家可能用Python構建的模型，然后以C/C++提供的所有速度在生產中運行它們。

留意銹病rust在未來的一年里會對這個領域產生什么影響。將C/C++的速度與類型和數據安全相結合，在不產生安全性頭痛的情況下，RISE是實現生產性能的一個很好的選擇。已經有了TensorFlow綁定。

4。JavaScript

JavaScript？到底發生了什么？好吧，谷歌最近發布了TensorFlow.js，一個WebGL加速庫，允許你在你的網絡瀏覽器中訓練和運行機器學習模型。它還包括KerasAPI以及加載和使用在常規TensorFlow中培訓過的模型的能力。這可能會吸引大量開發者涌入人工智能領域。雖然javascript目前無法像這里列出的其他語言一樣訪問機器學習庫，但很快開發人員將在他們的網頁中添加神經網絡，其冷漠程度與添加React組件或CSS屬性的程度幾乎相同。

TensorFlow.js仍處于早期階段。目前它在瀏覽器中工作，但不在node.js中工作。它還沒有實現完整的TensorFlow API。不過，我預計這兩個問題都將在2018年底前得到解決，隨后很快就會有javascript入侵人工智能。

5。R

R位于前五名的底部，并呈下降趨勢。R是數據科學家喜歡的語言。然而，由于R的數據幀中心方法，其他程序員在第一次遇到它時會覺得有點困惑。如果您有一組專門的R開發人員，那么使用與TensorFlow、Keras或H2O的集成進行研究、原型設計和實驗是有意義的，但是由于性能和操作方面的考慮，我不愿意推薦R用于生產用途。雖然您可以編寫可部署在生產服務器上的性能R代碼，但幾乎可以肯定的是，使用R原型并在Java或Python中重新編碼它是更容易的。

圖文來自網絡：侵刪