| |
|
|
| 首页 淘股吧 股票涨跌实时统计 涨停板选股 股票入门 股票书籍 股票问答 分时图选股 跌停板选股 K线图选股 成交量选股 [平安银行] |
| 股市论谈 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 商业财经 科技知识 汽车百科 工程技术 自然科学 家居生活 设计艺术 财经视频 游戏-- |
| 天天财汇 -> 科技知识 -> 国内主流AI大模型都是Python 开发的，国外AI大模型是什么语言开发的？为什么要用python？ -> 正文阅读 |
|
|
[科技知识]国内主流AI大模型都是Python 开发的，国外AI大模型是什么语言开发的？为什么要用python？ |
| [收藏本文] 【下载本文】 |
|
国内的AI： 百度的文心一言 抖音的豆包 等等等等这些大数据AI模型，都是用python语言开发的。 国外的AI大数据模型是用什么语言开发出来的呢？ … |
|
我来举几个耳熟能详的例子，都很适合作为例子学习AI大模型。 第一个是Meta的开源大模型Llama2，这是它的链接。 映入眼帘的问卷后缀主要有两类，md-Markdown文件，一般是说明文件；py-Python文件，一般是工程文件。 |
|
|
再点进去具体的工程文件，清一色的py，python文件。 |
|
|
再深入一点儿，打开model.py模型文件，你看这个torch没，它是做深度学习基本上必备的库，它是基于Python写的。 |
|
|
再来一个OpenAI开源的GPT2，也是清一色的python文件。 https://github.com/openai/gpt-2/tree/master/src?github.com/openai/gpt-2/tree/master/src |
|
|
不过GPT2是五年前的作品，它的model模型文件里面用的是tensorflow，它也是做深度学习的库。 |
|
|
你可以看这个图，做深度学习，其实主流的AI大模型，靠的就是这些工具，最底层就是C++或者C语言，因为它们的运行速度更快，但是缺点就是学习难度高，曲线长。 想要更加深入的了解大模型，我建议大家从GPT开始，这是最经典也是目前综合性能最强的大模型，知学堂开设的大模型课程就非常的适合入门。 ??2024大模型公开课??训练方法+应用场景+个人增收 ￥0.00点击领取 课程邀请了2名圈内AI技术大牛讲课，趁着现在还免费，建议IT人都去看看，语言不限，如果了解Python 收获会更大！ 因此在C++的基础上开发了更多的框架，用的是高级语言，比如说Python就是其中之一。 像PyTorch（Meta Llama）、TensorFlow（OpenAI GPT2）就是典型的例子，也有一些工作是用的MXNext等。 |
|
|
但是从主流角度来讲，会Pytorch基本上就差不多了。 但如果你要是从学习的角度来看，Pytorch只是专门来做大模型框架的，但是除了模型框架之外，其实还有不少的东西要学，才能覆盖完AI的大多数方向。 主要的库就这么几个，标*的是必学的，其他的可以暂时不学，或者让ChatGPT代劳。库/模块名称简介*NumPy提供了大量的数学函数以及用于操作大型数据集或数学数组的函数*pandas提供了一种灵活的数据结构，使我们能够在 Python 中处理和分析表格型或异质型数据*Matplotlib一个用于创建静态、动态或交互式可视化图表的库Seaborn提供了一组高级界面，用于绘制吸引人的统计图形*Scikit-Learn提供了一些简单且高效的工具，用于数据挖掘和数据分析TensorFlow一个开源的深度学习框架，由 Google Brain 团队开发Keras一个用于构建和训练深度学习模型的高级接口PyTorch一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发 在掌握Python基础和有了ChatGPT的辅助之后，开始机器学习的实操部分其实变得不那么困难了。 你可以利用机器学习算法的cheatsheet，逐一让ChatGPT帮你生成算法，并详细解释每一步，这个过程不仅比传统的学习方式更快，也更加有趣。 例如，如果你对线性回归（linear regression）感兴趣，你可以这样询问ChatGPT：“请使用Python创建一个线性回归的机器学习模型，并用模拟数据对其进行训练和验证。请一步步指导我如何实现，包括相关的数学公式。” |
|
|
不懂的地方直接问ChatGPT，比如说你不想问现成的库，想自己做一个加强印象，你可以这么问。 |
|
|
记得，遇到不懂的问题，直接提问即可。 实际操作经验通常是学习中的最佳老师。通过参与小型项目进行实战是极佳的学习方式。Kaggle平台提供了众多数据集，非常适合这种实践。你可以通过以下链接访问这些数据集： https://www.kaggle.com/datasets?search=machine+learning 在Kaggle上，每个数据集都对应一个特定的机器学习任务。选择一个感兴趣的项目开始，先从阅读和学习他人的代码做起。 |
|
在全球范围内，Python 已成为开发人工智能（AI）大模型的首选语言，这一趋势不仅在中国国内显著，在国外也同样如此。无论是百度的文心一言、抖音的豆包，还是国外的OpenAI GPT系列、Google的BERT，大多数顶尖的AI模型都选择了Python作为其开发语言。那么，为什么Python会成为AI领域的宠儿呢？ Python的优势 易于学习和使用：Python以其简洁明了的语法著称，这使得开发者可以快速理解和编写AI相关的代码，降低了学习曲线。 丰富的库和框架：Python社区为机器学习和深度学习提供了大量的库和框架，如TensorFlow、PyTorch和Keras等，这些工具极大地简化了模型的开发和训练过程。 广泛的社区支持：Python拥有一个庞大而活跃的开发者社区，为AI研究者和开发者提供了丰富的学习资源、工具和最佳实践。 跨平台兼容性：Python可以在多种操作系统上运行，包括Windows、Linux和macOS，这为AI模型的开发和部署提供了灵活性。 国外AI模型同样青睐Python 国外的AI研究和开发同样倾向于使用Python。例如，OpenAI的GPT系列模型、Google的BERT模型都是使用Python开发的。这些模型在自然语言处理、图像识别等多个领域取得了突破性进展，进一步证明了Python在AI研究和应用中的重要地位。 为什么不选择其他语言？ 虽然还有其他编程语言如Java、C++等 也被用于AI领域，但它们通常没有Python那么受欢迎。原因在于Python的易用性、灵活性以及强大的社区支持。例如，Java在执行速度方面可能优于Python，而C++在内存管理上更加高效，但这些语言的学习曲线和开发复杂度通常高于Python。此外，Python的开放源代码生态系统促进了创新和协作，使其成为AI研究和应用的理想选择。 实例分析 以OpenAI的GPT-3为例，这个模型展示了Python在处理大规模语言模型中的强大能力。GPT-3的开发团队利用Python的高级库和框架，如TensorFlow和PyTorch，来处理数以百亿计的参数，实现了前所未有的自然语言处理能力。这样的成就不仅彰显了Python语言的能力，也突显了选择Python作为开发语言的重要性。 结论 Python之所以成为AI大模型开发的首选语言，归根结底在于它为研究人员和开发者提供了无与伦比的便利性和灵活性。它的简洁语法、强大的库和框架以及广泛的社区支持，使得从事AI开发的门槛大大降低，同时也加速了AI技术的创新和应用。 AI领域的快速发展需要强大且灵活的工具，而Python无疑是目前最符合这一需求的语言。无论是国内还是国外的AI大模型开发，Python都将继续发挥其关键作用，推动AI技术向前发展。 回答不易，您的点赞关注就是对我最大的动力 我是李想，我的理想是带领小白入门AI，掌握AI，更多AI干货，移步 @李想 Prompter 主页。 |
|
回答前几个都是卖课噶韭菜的，实际上python只是最外层的调用接口，真正跑的逻辑都在c++上。但是他们不会告诉你，因为这样就没法噶韭菜了。 |
|
你看到的只是上层建模层确实大部分是用python写的 但是底层框架c++、rust实现都有 之所以建模用python 是因为python语言开发便捷性和各种建模生态的健全 |
|
从最新公布的TIOBE 2月编程语言排行榜可以看出，Python继续遥遥领先。 |
|
|
从长期历史走势来看，Python大概从2018年开始乘风而上，华丽逆袭。这风，必然是人工智能。 |
|
|
人工智能是一个一头连着科研、一头连着工程的领域，而且科研是上游、工程是下游。搞数据和算法的科研工作者，本身不是专业的程序员，他们对于编程工具是没有情怀方面的因素的。他们的需求非常现实，能够抄起来就用，快速验证自己的idea的语言就是雪中送炭的好语言。 而Python的简单易用正中他们下怀。 于是数据科学、算法领域都不约而同选择了用Python，这就积累下来了大量的工具库。后来TensorFlow等框架出现之后，基于Python，人工智能领域逐渐形成了完善的社区和生态。所以再往后的人要想摸着石头过河，必然就一沾沾一手Python，以至于Python几乎成了深度学习入门的第一课。 Python 适用于科学计算、Web 开发、桌面 GUI 开发、网络爬虫开发、自动化运维、自动化测试、自动化运维等领域，广阔的适用特性又让它在工程开发中游刃有余。 所以Python被称为“胶水语言”，不仅体现在可以把不同领域的模块、库和工具连接在一起以及把不同开发语言连接在一起；还体现在可以把科研和工程连接在一起。 Python在统计领域排名第一，在人工智能编程领域排名第一，在脚本编写方面排名第一，在系统测试方面排名第一，不足为奇。 |
|
|
编程语言“名人榜”( 2003-2023) |
|
Python之所以成为国内主流AI大模型的开发语言，主要得益于其强大的库和框架支持、简洁明了的语法、广泛的社区支持、跨平台性以及适用于数据处理的特点。这些优势使得Python在人工智能领域具有较高的受欢迎程度，有助于研究人员和开发者更高效地开发和部署AI模型。 首先，Python拥有丰富的库和框架，如TensorFlow、PyTorch、Keras等，这些工具为AI模型开发提供了强大的支持，简化了模型的训练和优化过程。这些框架在功能上能够满足大部分AI模型的需求，且不断更新迭代，适应人工智能领域的快速变化。 其次，Python的语法简洁明了，使得编写和阅读代码更加容易。这对于处理复杂的算法和数据结构至关重要，有助于提高开发效率。 此外，Python具有广泛的社区支持，提供了大量的教程、文档和论坛讨论。这有助于快速解决问题和学习新技能，特别是在AI领域，这样的社区支持对于开发者来说非常重要。 Python的跨平台性也是其受欢迎的原因之一。作为一种跨平台语言，Python可以在多种操作系统上运行，这为全球的研究人员和开发者提供了便利。这对于需要大量计算资源的AI模型尤为重要，因为它们可以在不同的硬件和环境中运行和优化。 最后，Python在数据处理方面表现优秀，这对于AI模型的训练和数据预处理非常重要。Python的Pandas、NumPy等库为数据处理提供了强大的工具。 综上所述，Python因其丰富的库和框架、简洁的语法、广泛的社区支持、跨平台性以及适用于数据处理的特点，成为了国内主流AI大模型的开发语言。这些优势使得Python成为了AI开发者首选的语言，有助于推动人工智能技术的发展和应用。 尽管Python非常流行，但并不意味着所有的AI大模型都是用Python开发的。其他编程语言也有在AI领域中的应用，例如： C/C++：由于其执行效率高，C和C++在深度学习框架的底层实现中非常受欢迎。 Java：在企业环境中，Java因其稳定性和可扩展性而被用于开发一些AI模型。 R：在统计分析和数据科学领域，R语言也非常流行，它有大量的包和工具支持机器学习和统计分析。 Julia：Julia 是一种相对较新的语言，专为高性能数值计算设计，它结合了Python的简洁性和C的性能。 不同的编程语言有各自的优势和适用场景，选择哪种语言来开发AI模型通常取决于项目的具体需求、性能要求以及开发团队的熟悉度等因素。 强烈建议所有从业者都读读这本书，《Google 大模型怎么用？Gemini 用于 Python：使用 Bard 编程》，这是一本最近刚发布的新书。 |
|
|
该书籍一共257页，它致力于帮助读者掌握 Python 3 编程与生成式 AI 技术，助力他们搭建起Python语言和大模型技术之间的桥梁，帮助从业者降低学习的门槛。 本书的一大亮点是详细讲解如何通过 Gemini 生成各种 Python 3 代码样本，让你在实际操作中掌握这一技术。书中还提供了用于下载源代码和图表的伴随文件，方便读者学习。 该书由深度学习、Python 和 GPT-4 领域的专家 Oswald Campesato 执笔，他的丰富的知识和写作经验为本书的质量提供了有力保障。 首先，这本书从 Python 编程的基础知识讲起，包括各种数据类型、数字格式化、Unicode 与 UTF-8 处理以及文本操作技术，为你打下坚实的编程基础。 |
|
|
接下来，你将学习关于循环、函数、数据结构、NumPy、Pandas、条件逻辑以及 Python 中的保留字等高级概念。此外，书中还介绍了如何处理用户输入、管理异常以及使用命令行参数，使你能够更好地应对实际编程场景。 |
|
|
在熟悉 Python 编程的基础上，该书进一步探讨了生成式 AI 的相关知识，阐述了它与会话式 AI 的区别。 |
|
|
同时，介绍了包括 Bard（现称为“Gemini”）在内的流行平台和模型，让读者对当前 AI 领域的发展趋势有更深入的了解。 |
|
|
书中对 Bard 的能力、优点、缺点及潜在应用进行了详尽分析。 这本书是一本适合初学者和有经验的开发者阅读的 Python 编程与生成式 AI 领域的佳作，助力你轻松掌握这两大技术。 |
|
我的一些粗浅的理解： 1、早期生态的形成 大模型底层涉及到计算性能方面还是用C++之类的实现的，比如如何调用CUDA计算单元进行计算，这个底层硬件厂家已经都封装好了，上层代码其实代码量都很小，一般都是封装成一个个的 “感知器”通过迭代或者并行调用来进行深度学习的计算过程，在整个运行过程中，上层代码的运行时间占比很低，用Python还是用C++来实现“感知器”，对整个计算效率影响占比比较小。而Python有类似Jupyter Notebook这样的工作流可以很直观方便地去解决问题，并展示给第三方，这种工作流很适合研发过程的合作交流。 比如早期的文生图扩散模型Disco_Diffusion，就是一个可以很方便部署的NoteBook，你可以下载好那个NoteBook，就可以按上面的流程一步步把环境构建起来，谷歌的Colab也支持NoteBook的云部署，可以通过在web浏览器打开noteBook一步一步在谷歌的云主机上部署出一套应用测试环境。 另外python的notebook工作流当时被大量用于大数据处理领域，深度学习和大数据也有很多互通之处，也因此积累了很多适合用来做AI算法的基础库，比如NumPy、Pandas、Matplotlib等。这些库后来被扩展并广泛应用于AI领域。 Python还有其他几个特性，也很适合这种偏研发的应用领域。比如，不同机构不同国家的科研人员们可能会使用不同的开发平台，而Python的跨平台特性可以让某个算法更广泛地传播。还有代码的简单易懂的的特性，也更适合算法的研究者专心去研究算法本身，而不是去浪费时间在调试代码上。而Python的开源性，很匹配算法科学家们的研发气质也是很重要的原因。 所以初期深度学习的研发人员大量采用Python，也因此积累出了类似Scikit-learn、TensorFlow、PyTorch等这类人工智能方面的早期Python生态。 |
|
|
GPT4生成的Jupyter Notebook示例图，有点像大数据处理的notebook，但又不大像。。 |
|
|
实际上部署在Colab上Disco Diffusion v5.7 JupyterNotebook截图2、生态的闭环 后来的AI方面的上层应用开发的工程师们，他们甚至底层的算法如何实现也可以不用管，大致知道原理，就可以很简单地利用整个Python生态构建出各种AI应用。比如要做一个视频，想调整速度，但是原视频的原始帧太少，慢速播放就会很卡顿，需要进行补帧，你不用知道那些算法是怎么实现的，只要知道有光流法智能补帧这回事，就可以用OpenCV库去调用光流法相关的代码来实现智能补帧。 类似的需求都有大量的Python库来帮你实现，于是上层应用开发者也开始大量采用Python，而底层研发者为了方便自己也为了快速推广自己的算法和模型也就首选Python进行开发，这样底层算法和上层应用相互拉动。 然后越来越多的上层应用开发者进入，他们为了方便自己的工作，也开发出了Flask，Gradio，streamlit这些方便的工具包，更进一步还出现了类似SD WebUI或者ComfyUI这种低代码的应用构建形式。整个生态闭环就形成了，就像滚雪球一样越滚越大。 |
|
|
滚雪球一样的Python生态3、生态形成后 在这种环境下，你不管是上层应用开发者，还是底层算法开发者，都不得不首选Python，不然你就是给自己找麻烦。。 |
|
因为Python只是用于拉起来框架 框架一般都是其他语言，速度很快 为什么不用C，因为如果这个框架只能用C调用，训练框架开发者都无法推销这个项目 开源时代，胜利的是用户群多的一方，面向用户而不是面向技术 没人用，这个开源项目也是没价值的 |
|
Python的成功不是一蹴而就的，约十年前，就有很多人说Python可能是编程语言的未来。 Python的使用排名也逐年上升。 网红 Python 借助自己的名声，推泼助澜，超过了C#，超过了C，超过了Java，终于成功登顶！ “十年！你知道这十年我怎么过的吗？！”成为了 Python的登顶名言，无数人争相效仿。 |
|
|
时至今日，Python成为Ai大模型的主流语言可以说实至名归！ 这是Python的荣耀，更是Python的功勋章！ 当然因为它库多了，难道因为长得帅啊？！ |
|
|
|
|
有个东西叫pytorch（Tensorflow就不提了），另外如果只是应用的话，有个东西叫Huggingface，它的库也是python的。 诚然torch也有C艹版，此外还有llama.cpp，ggml。但是我的朋友，人生苦短，为什么要和自己过不去呢？ |
|
Python 在全球范围内都是人工智能（AI）和机器学习（ML）领域非常流行的编程语言之一。它在AI领域的普及有以下几个原因： 库和框架：Python 拥有丰富的库和框架，如 TensorFlow、PyTorch、Keras、Scikit-learn 等，这些工具为研究人员和开发者提供了强大的功能，使得数据分析和模型训练变得更加简单和高效。 社区支持：Python 拥有一个庞大且活跃的开发者社区，这为用户提供了大量的资源、教程和文档，有助于快速学习和解决问题。 易于学习和使用：Python 的语法简洁明了，易于阅读和编写，这使得开发者能够更加专注于问题本身，而不是语言的复杂性。 跨平台性：Python 是一种跨平台的语言，可以在多种操作系统上运行，这为全球的研究人员和开发者提供了便利。 数据处理能力：Python 的数据处理能力强大，可以方便地处理大量数据，这对于AI模型来说至关重要。 虽然 Python 非常流行，但并不意味着其他语言在 AI 领域没有应用。例如，深度学习框架如 TensorFlow 和 PyTorch 虽然是用 Python 开发的，但它们也支持其他语言的接口，如 C++、Java 和 Go。此外，其他编程语言如 R、Julia 和 JavaScript 也在数据分析和 AI 领域有其特定的应用。 至于国外的大型 AI 模型，它们可能是用多种语言开发的，包括但不限于 Python、C++、Java 和 R。选择哪种语言取决于具体的项目需求、团队技能和项目目标。例如，一些系统可能会用 C++ 或 Rust 来开发性能关键的部分，同时用 Python 来编写高层算法和数据分析任务。 Python 因其强大的库、社区支持和易用性在 AI 领域非常流行，但其他语言也有其适用场景和优势。 一文看懂英伟达A100、A800、H100、H800各个版本有什么区别？ - 知乎 (zhihu.com) 生物信息学必备网站大全 - 知乎 (zhihu.com) 生物信息学简史 - 知乎 (zhihu.com 2023第一性原理科研服务器、量化计算平台推荐 - 知乎 (zhihu.com) Llama-2 LLM各个版本GPU服务器的配置要求是什么？ - 知乎 (zhihu.com) 人工智能训练与推理工作站、服务器、集群硬件配置推荐 |
|
|
整理了一些深度学习，人工智能方面的资料，可以看看 机器学习、深度学习和强化学习的关系和区别是什么？ - 知乎 (zhihu.com) 人工智能 (Artificial Intelligence, AI)主要应用领域和三种形态：弱人工智能、强人工智能和超级人工智能。 买硬件服务器划算还是租云服务器划算？ - 知乎 (zhihu.com) 深度学习机器学习知识点全面总结 - 知乎 (zhihu.com) 自学机器学习、深度学习、人工智能的网站看这里 - 知乎 (zhihu.com) 2023年深度学习GPU服务器配置推荐参考（3） - 知乎 (zhihu.com) |
|
|
多年来一直专注于科学计算服务器，入围政采平台，H100、A100、H800、A800、L40、L40S、RTX6000 Ada，RTX A6000，单台双路256核心服务器等。 |
|
国外许多知名的AI大模型，如OpenAI的GPT系列，也是使用Python作为主要的开发语言。此外，根据搜索结果，国外的大型语言模型（LLMs）如GPT-4、GPT-3.5、PaLM 2 (Bison-001)、Claude v1等，同样是使用Python进行开发的。 至于为什么要选择Python作为AI开发语言？主要原因有以下几点： 从易学性来看，Python是一种更简洁易懂的语言 直接举一个例子，我们来看看同样是输出“hello，world！”的情况下，不同编程语言的写法。 C语言 |
|
|
int、main、return、printf，单单只是输出一句话，用户就需要用到四种数据标识和函数，对入门级用户来说可以算得上不怎么友好了。 Java |
|
|
和C语言类似，同样也是用了3行代码。此外，由于Java语言面向对象的特性，Java程序代码必须放在一个类中，导致Java的固定代码比较多，对于用户来说，造成了较大的记忆负担。 Python |
|
|
仅用一行代码就完成了指令，用户仅需记忆print的用法就可以了，相比其他语言可以说省了不少功夫。 这样看是不是就非常明显了，别的语言还在做不同的导入和铺垫的时候，Python已经完成了程序的编写。 从通用性来看，Python可适用于多样的系统环境 单看一句“Hello World”，C语言和Java语言的代码也就多了2行。但是，需要注意的是，C语言和Java都是编译型语言，代码运行前都必须先经过编译的环节。 编译就是把我们的代码“翻译”成计算机能理解的语言，而编译器则担任了这个“翻译官”的角色，通过编译器将高级语言的源代码转换成目标程序，我们的电脑才能理解并执行命令。 对于C语言来说，需要考虑在不同的操作系统上使用不同的编译器的问题，一旦代码被带到新的机器人，运行环境发生了变化，用户就需要修改文件源代码来满足新的编译环境。 而Python是一门解释型语言，用Python写的程序不需要另外安装编译器就可以直接运行。因为Python自身具备一个“解释器”，可以简单类比为同声口译，变成语言没说完一句话，“翻译器”就会立即翻译给计算机，计算机就可以执行程序了。 综上，Python语言可以避免很多由于系统环境变化带来的烦恼，复用性更强。 从实用性来看，Python具备更强大的AI支持库 得益于Python的社区建设，Python拥有一个庞大且活跃的社区，可以提供丰富的第三方库，加上Python自身具备的标准库，可以帮助开发人员更快地实现程序的编写。 简单分享几个Python里的常用库： 1.数据分析相关 （1）NumPy：NumPy是Python的一个扩展库，专门用于处理大量维度数组与矩阵运算，提供了丰富的数学函数库，以支持各种数组运算。NumPy的底层是用C语言编写的，数组中将直接存储对象，而不是存储对象指针，因此其运算效率远高于纯Python代码。 （2）Matplotlib：Python数据分析中常用的一个绘图库，常用来绘制各种数据的可视化效果图。 （3）Pandas：提供强大的数据读写功能、高级的数据结构和各种分析工具。该库的一大特点是能用一两个命令完成复杂的数据操作。 （4）SciPy：一个开源算法库和数学工具包，基于NumPy构建并扩展了NumPy的功能，包含线性代数、积分、插值、特殊函数、快速傅里叶变换等常用函数。 （5）Keras：用于处理神经网络的高级库，可以运行在TensorFlow和Theano上，目前主要用于深度学习领域。 2.解释AI决策 （1）ELI5：可以帮助调试机器学习分类器并解释机器的预测。 （2）OmniXAI：一个用于可解释AI (XAI)的Python机器学习库，提供全方位的可解释AI和可解释机器学习功能，并能够解决实践中解释机器学习模型所做决策的许多痛点。 3.计算机视觉 （1）Pillow：提供丰富的函数集，支持多种图像格式，可以打开、操作和保存多种不同的图像文件格式。用户可以对图像进行基本操作，如裁剪、调整大小、旋转和更改颜色。 （2）OpenCV：最流行的图像处理库之一，支持大量与计算机视觉和机器学习相关的算法，有助于理解视觉数据并做出有见地的决策。 （3）Imageio：用于读取和写入多种图像格式，提供通用数据模型，以多种方式存储图像数据，包括NumPy数组、PIL图像对象或Python字节字符串。此外，它还支持逐帧读取和写入视频文件，便于处理视频流或提取帧。 综上，在人人都在用人工智能谋求更高、更快、更强的时代，Python语言的出现无疑是为人工智能注入了强大的生命力，与人工智能构成了一种双向赋能、共同发展的良性循环。因此，Python成为人工智能领域最常用的语言之一，其实并不出乎意料。 |
|
这就有点像，我们在知乎。 看的都是这个蓝白的界面，但是其实后面的代码是html css再往下还有java script 、python、SQL、c和汇编。 不同层级的语言，解决不同层级的事。 这个蓝白网页的设计语言，解决的就是知乎内容和人眼阅读的交互问题。 Python在AI研究里解决的，就是科学家的想法和模型组织结构的交互问题。 python很方便科学家，把自己的想法描述成一个能够运行的模型，所以大家都用python。 |
|
国内的大模型也大部分使用 Python 来开发，因为这个语言简单，跨平台，学起来容易。 |
|
前言 国外的 AI 大模型很多也是用 Python 开发的。 用Python主要是它丰富的机器学习库、强大的扩展性、简洁的语言特性。 因此受到很多 AI 大模型开发者的青睐。 |
|
|
进一步了解 Python 有许多用于机器学习和深度学习的库，如 TensorFlow、PyTorch、Scikit-learn 等。这些库提供了大量的工具和函数，可以帮助开发者快速构建和训练 AI 模型。 此外，Python 的可读性和可维护性也很高，这使得开发者可以更轻松地理解和修改代码。Python 还支持多种编程范式，如面向对象编程、函数式编程和过程式编程，这使得它可以适应不同的开发需求。 |
|
|
以下是一些使用 Python 作为开发语言的著名 AI 大模型： 1. GPT-3.5：这是由 OpenAI 开发的一种大型语言模型，使用了深度学习技术，可以生成自然语言文本。 2. BERT：这是由 Google 开发的一种预训练语言模型，使用了 Transformer 架构，可以用于自然语言处理任务，如文本分类、情感分析等。 3. TensorFlow：这是由 Google 开发的一种开源机器学习框架，使用了 Python 作为主要开发语言，可以用于构建各种机器学习模型。 4. PyTorch：这是由 Facebook 开发的一种开源机器学习框架，也使用了 Python 作为主要开发语言，可以用于构建各种机器学习模型。 5. Scikit-learn：这是一种常用的机器学习库，使用了 Python 作为主要开发语言，可以用于数据预处理、特征工程、模型选择和评估等任务。 这些模型和库都是使用 Python 开发的，并且在 AI 领域中得到了广泛的应用。 最后 当然要提下国内值得关注的大模型。 我是不一样的程序员米七，专注AI、全栈技术、知识体系、阅读分享。 欢迎互动，一起进步，加油 |
|
|
|
|
时势造英雄，英雄造时事！相互成全呗！ 因为好用，所以都在用！ 因为优秀，所以用的就更多！ |
|
仅从python优势与实现成本上看： 国内外的主流AI大模型大多采用Python进行开发，这主要是因为Python在机器学习、深度学习等AI领域的优势。 Python的优势在于： 语法简洁易读：Python的语法清晰简洁，易于学习和理解，这对于需要快速迭代的AI研发过程非常重要。 强大的科学计算库：Python拥有诸如NumPy、Pandas、SciPy等强大的科学计算库，这些库对于数据预处理、模型训练等任务非常有用。 丰富的机器学习库：Python的机器学习库如scikit-learn、TensorFlow、PyTorch等，提供了丰富的算法和工具，可以方便地实现各种机器学习模型。 良好的生态环境：Python的生态环境非常活跃，有大量的开源项目、教程和社区支持，这对于AI研发者来说非常友好。 至于国外AI大模型的语言选择，其实和国内类似，也是以Python为主。这是因为Python在AI领域的优势是全球范围内的共识，不仅在中国，也在全球范围内得到了广泛的应用。当然，也有一些其他的语言如C++、Java等也被用于AI模型的开发，但这些语言在AI领域的普及程度和应用范围相对较小。 总的来说，Python之所以成为AI大模型开发的主流语言，主要是因为其语法简洁、库资源丰富、生态环境良好等优势。这些优势使得Python成为AI研发者的首选语言，无论是在国内还是国外。 深入考虑成本等因素，Python在AI大模型开发中的普及程度可归因于几个关键因素： 开发效率与成本：Python的语法清晰简洁，使得开发者能够以更高的效率编写代码，从而减少开发时间。对于需要快速迭代和实验的AI研发过程，Python能够显著减少开发成本。 资源利用与部署：Python拥有大量针对机器学习和深度学习的优化库和工具，这些工具能够充分利用计算资源，提高模型的训练速度和准确性。此外，Python的部署也相对容易，尤其是在云服务上，这使得AI模型的部署成本降低。 社区支持与教育：Python在机器学习领域拥有庞大的社区支持，这意味着开发者在遇到问题时能够迅速找到解决方案。同时，Python也是许多高校和研究机构的首选教学语言，这为AI领域输送了大量熟练掌握Python的开发者。 算法与模型优化：Python的一些库如TensorFlow和PyTorch提供了自动微分、GPU加速等特性，这些特性对于算法和模型的优化至关重要。优化算法和模型能够减少训练时间和计算资源的使用，从而降低成本。 数据科学工作流程：Python能够方便地处理数据科学工作流程中的各个环节，包括数据清洗、预处理、特征工程、模型训练、评估与部署等。这种一体化的工作流程能够减少在不同工具之间切换的成本，提高开发效率。 综合考虑以上因素，Python在AI大模型开发中的普及程度不仅仅是因为其语法和库的优势，还因为其能够显著降低开发、部署和优化的成本。这也是为什么无论是国内还是国外，Python都成为AI研发者的首选语言。 |
|
|
图片来源：飞桨上自建AI应用应用“玄画“生成图片（prompt：python优势） |
|
|
|
|
Python搭配C/C++来写。 必要的时候CUDA C写算子，然后Python封装。 |
|
哈哈，聊到AI大模型的开发语言，这就不得不提我们“伊拉的AI百宝箱”了，在这里你可以发现不少关于AI技术的秘密哦。说到国内外AI大模型的开发语言，基本上都是Python占据了主流，不分国内外。 **为什么要用Python？** 这得益于Python的几个闪光点： 1. **易学易用**：Python的语法简单明了，非常适合编程新手入门，也让资深开发者能快速实现想法。 2. **强大的库支持**：Python背后有着丰富的库支持，特别是在数据科学和机器学习领域，比如NumPy、Pandas、TensorFlow、PyTorch等，这些都是开发AI模型不可或缺的工具。 3. **社区支持强大**：Python有着庞大的开发者社区，无论是遇到bug还是需要新的功能，都能迅速找到解决方案或有人共同探讨。 4. **跨平台**：Python能够跨操作系统使用，不管是Windows、Linux还是macOS，都能无缝开发，这对于开发大型跨平台AI系统尤其重要。 但是，也有人会说，Python在执行效率上不如C/C++、Java等语言。这是有一定道理的，Python作为解释型语言，运行速度确实不及编译型语言。但在AI领域，快速的原型设计和迭代更为重要，而且很多性能关键部分，底层都是用C/C++这样的语言写的，比如TensorFlow、PyTorch等，这样既保证了开发效率，也兼顾了运行效率。 在“伊拉的AI百宝箱”里，我们更喜欢用一种幽默的方式来看待这个问题：**选择Python，是因为我们可以“边喝咖啡边调模型”，而不是“边喝咖啡边等编译”。** 如果你想深入了解Python在AI领域的魔法，或是对AI有更多的好奇，不妨在知乎搜索“伊拉的AI百宝箱”，那里有更多精彩等你发现呢！ {插图要求：一位程序员坐在电脑前，一手拿着咖啡，另一手在敲代码，电脑屏幕上显示着Python代码和AI模型的框架图，旁边放着一本标有“伊拉的AI百宝箱”的笔记本。} |
|
国外的AI大数据模型，例如OpenAI的GPT系列、谷歌的BERT和T5、Facebook的BART等，同样主要是采用Python语言进行开发的。实际上，无论在中国还是国际上，Python几乎成了深度学习和机器学习领域的首选编程语言。这背后有几个原因： 丰富的库和框架：Python拥有一系列成熟的科学计算和机器学习库，如NumPy、SciPy、Pandas、Scikit-learn、TensorFlow、PyTorch等。它们为数据处理和模型构建提供了强大的支持。简洁易读：Python的语法清晰、简洁，容易阅读和编写。在快速发展的AI领域，研究人员和工程师需要快速实现想法，Python的这一特性非常适合迭代和实验。社区和生态系统：Python有一个庞大而活跃的社区，用户可以轻松找到解决问题的资源、教程和文档。此外，许多学术研究和工业应用都选择Python进行发布和部署，形成了良好的生态系统。跨平台性：Python是跨平台的编程语言，可以运行在多种操作系统上，如Windows、macOS、Linux/Unix等，这使得模型的共享和部署变得更加便捷。灵活性：Python可以轻松调用C/C++或其他语言编写的底层库，这意味着在需要的时候可以利用其他语言的优势（如执行速度）来优化性能。 虽然Python在AI领域占据主导地位，但这并不意味着其他编程语言没有被使用。例如，C++由于其高效的执行速度和系统级的控制，也经常被用于性能敏感的模型部署。Java和JavaScript等语言在企业环境中也有一定的应用，尤其是在整合进现有的软件架构时。然而，在AI研发阶段，Python的便利性往往使其成为首选语言。 期待收到大家的点赞和收藏，以此激励我持续更新分享！ 期待收到大家的点赞和收藏，以此激励我持续更新分享！ |
|
|
| [收藏本文] 【下载本文】 |
| 上一篇文章 下一篇文章 查看所有文章 |
|
|
|
| 股票涨跌实时统计 涨停板选股 分时图选股 跌停板选股 K线图选股 成交量选股 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 网站联系: qq:121756557 email:121756557@qq.com 天天财汇 |