为何选择 Go 而非 Python 来构建机器学习架构？

“如果你有兴趣成为一名机器学习工程师，那么必须熟练掌握Python——但是，如果你对机器学习的基础架构感兴趣，则应该认真考虑Go。”

作者 | Caleb Kaiser

译者 | 弯月，责编 | 郭芮

以下为译文：

如今，众所周知Python是机器学习项目中最流行的语言。尽管R、C++ 和Julia等语言都有各自的支持者和使用情况，但Python仍然是使用最普遍的语言，几乎每个主流的机器学习框架都使用了Python。

然而，在我们的Cortex（用于将机器学习模型部署成API的开源平台）代码库中，87.5%的代码都是Go。

Python引以为豪的机器学习算法只是生产机器学习系统的一个组成部分。如果想大规模运行生产机器学习API，你的基础架构需要实现以下功能：

• 自动缩放，确保流量波动不会影响API。

• API管理，处理同步API部署。

• 滚动更新，确保更新模型时不会中断用户服务。

我们构建Cortex的目的是自动化上述所有的基础架构，以及日志记录和成本优化等其他问题。

出于以下原因，我们认为Go才是构建满足上述需求的软件的理想之选。

并发对于机器学习的基础架构至关重要

用户可以将许多不同的模型部署成不同的API，并把所有模型都放到同一个Cortex集群中进行管理。Cortex Operator需要通过一些API来管理这些不同的部署，比如：

• Kubernetes API，Cortex调用这个API在集群上部署模型。

• 各种AWS API，包括EC2 Auto Scaling、S3、CloudWatch等，Cortex调用这些API来管理AWS上的部署。

用户不会直接与这些API进行交互。Cortex通过程序调用这些API来管理集群、启动部署和监视API。

以高效、可靠的方式交叉调用这些API是一项难题。采用并发的方式处理这些API调用是最为高效的方式，但同时也带来了复杂性，因为我们不得不担心竞争状况等问题。

Go为解决这个问题提供了一个开箱即用的解决方案：Goroutines。

Goroutines是Go以并发的方式执行代码的函数。我们可以另写一篇文章深入探讨Goroutines背后的工作方式，但概括来说，Goroutines是由Go运行时自动管理的轻量级线程。你可以将多个Goroutine放在一个OS线程上，而且如果Goroutine阻塞了OS线程，则Go运行时会自动将其余的Goroutines移到新的OS线程上。

Goroutines还提供了一种名叫“通道”（channel）的功能，你可以利用这个功能在Goroutines之间传递消息，帮助我们调度请求并防止出现竞争状况。

当然，你也可以利用asyncio等最新的工具在Python中实现这些功能，但Go的设计考虑到了这些情况，使用Go可以减轻我们的工作负担。

使用Go构建跨平台的CLI更容易

Cortex CLI是一个跨平台工具，用户可以使用这个工具直接从命令行部署模型和管理API。

最初，我们使用Python编写了这个CLI，但事实证明，在多个平台上分发这个CLI太困难了。由于Go可以编译成一个二进制文件（不需要管理依赖），所以可以为我们提供了一个简单的解决方案，帮助我们在平台之间分发CLI，而无需额外的工程工作。

Go编译后的二进制文件与解释型语言相比，其性能优势也很明显。根据计算机基准测试结果，Go的速度远胜Python。

许多其他的基础设施CLI工具也是用Go编写的，这绝非偶然，具体的理由请参照下面的第三点。

Go的生态系统非常适合基础设施项目

开源的好处之一在于，你可以向自己欣赏的项目学习。例如，Cortex存在于Kubernetes的生态系统中，而Kubernetes本身也是用Go编写。我们很幸运能够借鉴这个生态系统中许多出色的开源项目，其中包括：

• kubectl：Kubernetes CLI

• minikube：一种在本地运行Kubernetes的工具

• helm：Kubernetes软件包管理工具

• kops：管理生产Kubernetes的工具

• eksctl：亚马逊EKS的官方CLI

上述这些工具都是Kubernetes项目，而且都是用Go语言编写的。如果你仔细查看CockroachDB和Hashicorp的基础设施项目（包括Vault、Nomad、Terraform、Consul和Packer），就会发现它们统统是用Go语言编写的。

Go在基础架构领域的流行还有另一个影响，那就是大多数对基础架构感兴趣的工程师都很熟悉Go。所以，很容易吸引到这些工程师。我们公司最优秀的一位工程师就是通过AngelList找到我们的，我们很幸运他找到了我们。

Go语言编程是一种享受

我们使用Go构建Cortex的最后一个理由就是，我们很享受Go语言编程。

相对于Python，Go的入门有点艰难。但是，Go的宽容性可以为大型项目带来愉悦感。我们在测试软件上非常严格，但是静态输入和编译（对于初学者来说Go的两大难题）对我们来说就像是防护栏，帮助我们编写（相对而言）没有bug的代码。

你可能会说其他语言有不同的优势，但总的来说，Go能够最大限度地满足我们的技术和美学需求。

Python适用于机器学习，而Go适用于基础架构

我们也很喜欢Python，它在Cortex中占有一席之地，尤其是在处理推理方面。

Cortex服务于TensorFlow、PyTorch、scikit-learn以及其他Python模型，这意味着与模型的接口以及推理之前和之后的处理均在Python中完成。虽然Python代码经过打包部署到Docker容器中，但这些容器是由Go编写的代码编排的。

如果你有兴趣成为一名机器学习工程师，那么必须熟练掌握Python。但是，如果你对机器学习的基础架构感兴趣，则应该认真考虑Go。

原文：
https://towardsdatascience.com
/why-were-writing-machine-learning-infrastructure-in-go-not-python-38d6a37e2d76

本文为 CSDN 翻译，转载请注明来源出处。