Go 与 Python：机器学习模型部署的比较

Python 是当下最流行的机器学习语言，对这一点大家应该没有什么异议。不过很多机器学习框架进行实际计算使用的是 CUDA C/C++ 等语言，只是它们都提供了 Python 接口。因此，大多数机器学习从业者都是直接使用 Python 工作的。

我们的机器学习基础设施 Cortex 也是如此，它 88.3% 的代码是由 Go 语言编写的。

来源：Cortex GitHub

大规模部署模型不同于编写调用 PyTorch 和 TensorFlow 函数的 Python 脚本。要实际大规模地运行一个生产机器学习 API，我们需要基础设施来做如下事情：

• 自动伸缩：这样流量波动发生时就不会中断我们的 API（且我们的 AWS 仍然保持可控）。
• API 管理：处理多个部署。
• 滚动更新：这样我们就可以在更新模型的同时还可以为请求提供服务。

我们构建了 Cortex 来提供这一功能。我们之所以决定用 Go 语言来编写，是出于以下几个原因：

1.Go 语言已为基础设施社区所接受

就背景而言，我们是软件工程师，而不是数据科学家。我们进入机器学习领域是因为我们想构建像 Gmail 的 Smart Compose 这样的功能，而不是因为我们对反向传播着迷（尽管它确实很酷）。我们想要这样的一个简单工具，它将采用经过训练的模型，并自动实现所需的所有基础设施功能，如可复制的部署、可扩展的请求处理、自动监控等，以便将其部署为 API。

虽然这种从模型到微服务的一体化平台还不存在，但我们之前已经在普通软件中实现了这些功能。我们知道什么样的工具适合这项工作，并且还知道它们是用什么语言编写的。

构建 Kubernetes、Docker 和 Terraform 等工具的团队使用 Go 语言是有原因的。Go 语言的速度很快，能很好地处理并发，可以编译成单一的二进制文件。这样一来，选择 Go 语言对我们来说，风险相对较低。其他团队已经用 Go 语言解决了类似的挑战。

此外，对于基础设施工程师来说，使用 Go 语言编写更容易做出贡献，因为他们可能已经熟悉了这门语言。

2. Go 语言解决了与并发性和调度相关的问题

管理一个部署需要许多服务同时运行，并按照精确的时间表进行。值得庆幸的是，Gorountine、channel（通道）和 Go 内置的 timer 和 ticker 为并发性和调度提供了一个优雅的解决方案。

在较高的级别上，Goroutine 是指 Go 语言通过在一个虚拟独立线程上执行一个原本正常的函数，使其并发运行。一个操作系统线程可以容纳多个 Goroutine。channel 允许 Goroutine 共享数据，而 timer 和 ticker 允许我们调度 Goroutine。

我们在需要的时候使用 Goroutine 来实现并发性，比如 Cortex 需要将多个文件上传到 S3，并行运行这些文件可以节省时间；或者是为了保持一个潜在的、长期运行的功能，比如 CloudWatch 的流日志，以免阻塞主线程。

此外，我们在 Goroutine 中使用 timer 和 ticker 来运行 Cortex 的 autoscaler。我已经写过一份关于如何在 Cortex 中实现副本级自动扩展的的完整版报告，该报告的中心思想是，Cortex 计算排队和进行中的请求数量，计算每个副本应该处理多少并发请求，并进行适当的扩展。

为了做到这一点，Cortex 的监控功能需要以一致的时间间隔执行。Go 的调度器确保在应该进行监视的时候进行监视，而 Goroutine 允许每个监视函数并发地、独立地执行每个 API。

要在 Python 中实现所有这些功能，也许可以使用 asyncio 这样的工具来实现，但 Go 让它变得如此简单，这对我们来说不啻为一个福音。

3. 在 Go 中构建跨平台 CLI 更容易

我们的 CLI 部署模型并管理 API：

来源：Cortex GitHub

我们希望 CLI 在 Linux 和 Mac 上都可以用。最初，我们尝试用 Python 语言来编写 CLI，但用户一直很难让它在不同的环境中使用。当我们在 Go 中重新构建 CLI 时，能够将它编译成单一的二进制文件，这样一来，我们就可以跨平台分发 CLI，而不需要做太多额外的工程计划。

编译后的 Go 二进制代码与解释性编程语言相比，性能上的优势也很明显。根据计算机基准测试的结果来看，Go 的速度明显比 Python 要快得多。

无独有偶，许多其他基础设施的 CLI，如 eksctl、kops 和 Helm 客户端等，都是用 Go 语言编写的。

4. Go 有助于构建可靠的基础设施

最后一点，Go 有助于 Cortex 最重要的特性：可靠性。

在所有软件中，可靠性显然很重要，但对于推理基础设施来说，可靠性绝对是最关键的。Cortex 中的一个 bug 可能会让推理费用严重增加。如果存在严重的 bug，那么很有可能在编译过程中被发现。对于一个小团队来说，这是非常有用的。

与 Python 相比，Go 的高冷性质可能会使得它上手变得更痛苦一些，但这些内部的“防护栏”为我们提供了第一道防线，帮助我们避免犯下愚蠢的类型错误。

小结：Python 用于脚本，Go 用于基础设施

我们仍然喜欢 Python，它在 Cortex 中占有一席之地，特别是在模型推理方面。

Cortex 支持 Python 作为模型服务脚本。我们编写 Python，将模型加载到内存中，进行推理前后处理，并为请求提供服务。然而，即使是 Python 代码也被打包到 Docker 容器中，这些容器也是由 Go 语言编写的代码进行编排的。

对于数据科学和机器学习工程来说，Python 将（并且应该）仍然是最流行的语言。但是，当涉及到机器学习基础设施时，我们对 Go 很满意。

关注我并转发此篇文章，私信我“领取资料”，即可免费获得InfoQ价值4999元迷你书！