为什么Python运算慢还拿来搞AI？这三点大多数都不知道？

首先慢是相对的。之前大家对python慢的理解，其实是因为那时候的机器资源有限，相对于c/c++这样可以直接操作内存的语言，python需要占用更多的内存，因此会慢。但是现在机器硬件成本已经可以忽略的年代，python与c/++差距在逐渐缩小。

另外就效率而言，其实是分两方面的。一方面是人编写代码的时间，另一方面才是代码的机器上执行的时间。如果说python在机器上执行的时间不慢，还略有争议的话，那么在写代码这个方面来讲，python则有绝对的绝对优势。

python是更高级的语言，它简单易学，即使是没有编程基础的人，可能有个一两天也就掌握了它的语法，就可以上手直接写，而不需要像c/c++语言那样需要学很多东西还要知道操作内存的知识。python有很多很成熟的开发包（老牌的sk-learn了，新兴的tensorflow），用于机器学习，这些都是他在开发效率方面的优点。

其次，对于小程序、探索性开发、算法测试等情况，Python和高性能语言区别并不是特别大。比如假设Python写一个任务需要耗时20秒，而C语言仅需要10秒，这个差距真的可以忽略不计。而现实情况，我们大部分时间都是在做这类探索或测试。心中有一个想法时，马上就会想到用Python去实现，然后不断地调试参数，让算法最优。假如用C语言来做这个工作，那花在改代码上的时间是非常长的，甚至容易分散注意力，将注意力不是放在算法本身而是去写一堆晦涩代码去了。matlab对算法探索似乎更快，不过它是收费的，不是开源的，第三方库已经跟不上时代节奏了。

第三，对于大型深度学习，数据挖掘任务，Python做的仅仅是算法描述。上面一点我们说的其实是开发环境(或实验环境)。那么在生产环境，也就是说真正做大型任务(而不是算法建模)时，Python也不差。这是为什么呢？拿tensorflow的深度学习来说。它的核心是用C/C++写的，但是在写代码时，基本上全是Python，这时候Python仅仅是充当算法脚本的功能。说具体点，一个深度学习通常是一个大型的神经网络，用Python去定义每一层网络，每一个激活函数以及其他各种网络参数。这时候Python是有些慢的，比如初始化就要5秒，加载各种神经网络参数又要5秒，读取和解析原始数据要500秒。但是，还有更长的，那就是训练。训练说不定要10个小时，你没有看错，是小时。而这10个小时基本上全是由C++去完成的。所以说Python引起的那几百秒延迟根本不值一提。核心部分依然是交给了C++。说穿了，Python只是做了前期的准备工作，告诉内核：数据是什么，应该如何训练，应该如何评估结果，以及结果如何展示出来。而至于具体的操作就不是Python要做的事了。这和我们用Photoshop画一个图一样的，使用者用鼠标键盘就能作出一个优秀的产品。甚至一行代码都不用写。这个鼠标键盘就好比我们的Python。我们程序员用Python做AI就好比美工用键盘鼠标画图一样。实际上关键核心性能部分都是清一色的C/C++。