AI进步的5个最佳编程语言

人工智能（人造脑电站）开辟了应用设计师的机会宇宙。通过利用AI或深刻的学习，您可以创建远期优越的客户端简档，个性化和建议，或者在相当少数的交替方式中巩固更辉煌的狩猎，语音界面或明智的帮助，或者在您的应用程序上工作。您甚至可以形成所看到，听到和响应您不会期望的情况的应用程序。

哪种编程语言是建议您弄清楚如何培训AI的整品吗？显然，你需要一种具有众多大型AI和深刻学习库的语言。它应该同样包括巨大的运行时执行，伟大的仪器支持，巨大的开发人员区域，以及支持捆绑的声音生物系统。这是必需品的广泛破败，但仍有很多好替代方案。

这里是我的六个最佳编程方言的选择，以及两个值得注意的通知。这些方言的一部分在上升，而其他方言则正在滑倒。其他人可能需要考虑，以防你愿意唱着录得的深刻的学习设计和应用。我们如何识别他们所有堆叠。

python

在第一个，它仍然是python。真的，它是如何成为别的东西？虽然有关于Python的浪花事物，但如果您完成AI工作，那么您更有可能在不久或更晚使用Python。更重要的是，一部分令人不快的斑点已经平滑了一点。

当我们进入2020时，Python 2.x的问题与python 3.x相对于几乎是每个重要的图书馆都坚定不移，每个重要的图书馆都坚持Python 3.x并删除了Python 2.x的帮助。总而言之，您可以在最后利用所有新语言果断地包括果断。

并记住，Pythons捆绑了糟糕的梦想，其中每个独特的安排都以某种方式破坏，您可以使用大约95％的时间，而不是对极端的压力来利用Anaconda。无论如何，如果Python World在最后一次解决这个长期问题，那将是令人愉快的。

所有考虑的事情，Python可访问的数学和详细信息库实际上是在不同方言中的。 Numpy已成为普遍的普遍性，它只是一个标准的Tensor任务，熊猫为Python带来了令人难以置信和适应的DataFrame。对于常规语言处理（NLP），您拥有崇敬的NLTK和炽热的快速。对于AI而言，有与Scikit-Learn的战斗。关于深刻的学习，关于深刻的学习，整个本店（Tensorflow，Pytorch，Chainer，Apache MxNet，Theano等）是充分的Python-First Insteptoging。

假设您在arxiv的艺术深刻学习研究的仔细资料中，您将发现大多数提供源代码的研究，如Python。然后，此时有不同的Python环境。虽然iPython已成为Jupyter笔记本，但较少的Python驱动，您将在任何情况下追踪大多数Jupyter笔记本客户端，以及网络上共享的绝大部分划痕垫，使用Python。关于发送模型，例如Seldon核心的微服务设计和进步的方法意味着它的异常易于传达在现在进行的Python模型。

没有办法避免它。 Python是AI研究的最前沿的语言，你将追踪最令人享有的AI和深刻的学习结构，以及奥地世界谈论的几乎每个人的谈话。因此，Python首先是AI编程方言中，尽管您的创建者在每天基本上揭示了空间问题的方式。

c ++

C ++可能不会成为您在培养AI应用程序时的最佳选择，但是当您需要从框架中撰写的每一数字时，这是一个如前往深刻的学习更正常的情况，所以当然是前往边缘时而且您需要在资产的框架上运行您的模型，这是一个理想的机会，再次进入令人不安的指针宇宙。

幸运的是，目前的C ++可以很好地撰写（真实！）。你有一系列方法。您可以在堆栈的下半部分，利用像NVIDIAS CUDA这样的库来撰写自己的代码，以便在GPU上直接运行，或者您可以利用Tensorflow或Pytorch来获得可接收到适应性的显着级别API。 Pytorch和Tensorflow都允许您堆叠在Python（或Pytorchs Torchscript Python）中创建的模型，并在C ++运行时直接运行它们，将您越接近未覆盖的金属以进行创建，同时节省适应性。

所以，C ++变成了工具藏的基本片段，因为AI应用程序乘以从Littlest植入框架到巨大组的所有小工具。边缘的人工智能意味着它足够困难，以确切地更长;你应该可以接受，快速。

Java和其他JVM方言

语言的JVM组（Java，Scala，Kotlin，Clojure等）不断成为AI应用进步的令人难以置信的决定。无论其常规语言处理（Corenlp），张量活动（ND4J），或全GPU加速的深刻学习堆栈（DL4J）都有丰富的管道，您都有丰富的图书馆。除了你让简单的进入巨大的信息阶段，如apache spark和apache hadoop。

java是最广泛使用的大多数企业语言，并且在Java 8和以后的形式中可以使用新的语言构建，编写Java代码是蔑视的经验，我们很多我们都会被召回。在Java中撰写AI应用程序可能会感到触摸效果，但它可以照顾业务，您可以使用您当前的所有Java框架进行进步，组织和观察。

javascript

您可能无法专门用于编写AI应用程序的JavaScript，但Googles TensorFlow.js继续提高并提供将Keras和TensoRFlow模型传送到您的程序或使用WebGL的Node.js来提供迷人的方法计算计算。

尽管如此，我们实际上已经看到了TensorFlow.js的一件事是一个巨大的JavaScript工程师洪水进入AI空间。我觉得这可能是因为包括与Python等方言相比具有可访问库的大部分的JavaScript生物系统。

此外，在工作人员方面，与Node.js而不是一个Python备选方案来传达模型，实际上并不是一点的好处，因此我们可能会看到基于JavaScript的AI应用程序很快仍然是Programe。然而，实际上阐述了很多娱乐的娱乐开放式门，只能像表情符号狩猎一样。

swift

Swift for tensorflow。一个完全组成的，Sans Cruft限制了Tensorflow的课堂亮点，允许您在任何情况下导入Python库的昏暗的巫术。

Fastai集团以众所周知的图书馆的Swift形式削减，并保证生产和运行模型的额外进步，并在LLVM编译器中移动大量张力。它在目前准备好了吗？然而，实际上并不是，它可能肯定会指导到深刻的学习改善的提升和未来时代的方式，所以你应该检查一个新的斯威夫特。

R语言

r在我们的破产的下半部分，下降。 R是信息研究人员喜欢的语言。尽管如此，不同的软件工程师定期发现r有点恶化，因为其数据帧驱动的方法。在禁飞机会上，您有一个忠诚的R工程师收集，它可以很好地利用与TensoRflow，Keras或H2O的融合进行研究，原型化和实验，但我想知道是否建议r用于创造使用或对于绿地改善，因为执行和功能问题。虽然您可以撰写可以在创建工作者上传达的表演者R代码，但它比在Java或Python中拍摄R模型并将其重新介绍它更有可能更有可能。