你知道，就像，机器学习的世界基本上可以说是永远的Python天下。它庞大的库集合——TensorFlow、PyTorch、Scikit-learn等——让它成为了数据科学家和机器学习从业者的默认选择。但是……有没有可能有一种隐藏在角落里的语言，能像Python一样做这些事情但性能却更好呢？🤔 好吧，这种语言可能是Go。本文基本上会探索Go在机器学习中能做什么，为什么你可能要考虑使用它，以及如何开始使用Go进行机器学习。

通过GIPHY (这个链接)

Go，如果你愿意可以叫它 Golang，听上去更高端一些。它注重简洁、高效以及同时处理大量任务（这就是并发的部分）。但说实话，它不像 Python 那样拥有大量专门的机器学习库。但是，这可是个大大的但是，Go 的生态系统正在迅速扩展，越来越多的工具正在出现，用于支持机器学习任务。

以下是一些使 Go 成为强有力的竞争者的重要特点：

• 性能: 🚀 Go 的编译特性使得执行速度显著加快，这对于计算密集型的机器学习来说是一个巨大的优势。
• 并发: 🤝 内置的 goroutine 和 channel 可以实现高效的并行处理，非常适合处理大规模数据集。
• 静态类型: ✅ 可以尽早发现错误，从而写出更健壮和易于维护的代码（更少的麻烦！）。
• 可扩展性: ⚙️ 高效的资源管理和并发处理使得扩展机器学习应用更为简单。
• 不断增长的生态系统: 🌱 Go 机器学习社区充满活力，并且正在快速开发新的工具和库，社区充满活力。

说真的，Python 已经取得了巨大的领先优势，短时间内也很难改变现状。但在某些特定情况下，选择 Go 进行你的机器学习项目确实更有道理。Go 在这些方面确实表现突出：

• 高吞吐量预测系统: 🏭 想象一下，你正在构建一个每秒需要进行百万次预测的系统——比如欺诈检测、广告实时竞价或高频交易。Python的GIL（全局解释器锁）和解释器的额外开销可能成为瓶颈。Go的高速和并发特性允许你用更少的资源处理更高的吞吐量。
• 大规模数据预处理管道: ➿ 在你训练模型之前，通常需要清理、转换和准备大规模的数据集。这可能涉及高度并行化的复杂操作。Go的goroutine和channel使得构建这些数据管道变得非常高效，相比Python，这极大地减少了处理时间。
• 资源受限的环境: 📱 考虑到嵌入式系统、边缘设备，甚至只是想尽量减少云计算成本。与Python程序相比，Go更小的内存占用和更快的启动时间在这些情况下具有显著优势。
• 构建自定义高性能ML组件: 🛠️ 如果你正在从头开始构建一个专门的机器学习系统，或者需要优化特定组件以达到最佳性能，Go提供了细粒度的控制。你不必受限于现有的Python库。这就是为什么像Gorgonia这样的库会派上用场。
• 长期可维护性很重要 👨‍💻: 静态类型的Go比Python更容易维护，尤其是在大型项目中。在大型项目中，尤其是在机器学习项目中，静态类型可以在早期捕获错误，并帮助开发者更快地理解代码流程。
• 你已经在使用Go: ➡️ 这可能显而易见，但如果你的团队或公司已经在基础设施的其他部分大量使用Go，用Go来进行机器学习可以简化技术栈，并减少管理多种语言的需求。
• 易于学习 🧑‍🎓: Go专注于简单和精简的设计，使其更容易被新开发者掌握。这使得社区能够快速发展，创建新的库，并扩大支持范围。

Go 并不总是比 Python 更好。而是要承认 Go 在机器学习相关领域的特定用例和场景中提供了有说服力的优势。

那么，我们如何在机器学习中使用 Go 的魔法呢？让我们深入了解库的种类。这次我们不仅限于计算机视觉。

与其关注单一的任务，让我们来看看一些重要的 Go 库的表现。

• Gorgonia: ✨ 可以看作是 Go 语言中的 TensorFlow 或 PyTorch，但侧重于符号计算及其微分。它非常适合从底层构建复杂的神经网络结构。它提供了较低层次的原语，赋予你更多的控制，但相比之下，使用 Python 中的 Keras 等库时，需要进行更多的手动工作。当需要对模型架构和训练过程进行细致控制时，Gorgonia 表现得尤为出色。

通过GitHub访问

• GoLearn: 📈 如果你在 Python 中使用 Scikit-learn，那么在 Go 中你可能会从 GoLearn 开始。GoLearn 是一个更通用的机器学习库，提供了分类、回归、聚类和数据预处理等工具。它设计得易于使用和上手，类似于 Scikit-learn 的理念。如果你的任务不需要深度学习，那么这会是一个很好的选择。
• GoMind: 🧠 GoMind 专注于神经网络，目标是简单易用。如果你希望以简单的方式创建和训练神经网络，而不想深入了解像 Gorgonia 这样复杂的库，那么 GoMind 是一个不错的选择。
• GoCV: 🖼️ 是的，我们提到了它，但它确实与计算机视觉有关！GoCV 提供了 OpenCV 的绑定。虽然 GoCV 确实专注于计算机视觉，但记住计算机视觉通常与机器学习相关（例如物体检测、图像分类）。因此，虽然它不是一个通用的机器学习库，但在你的工作中涉及图像或视频时，它是一个至关重要的部分。
• gonum/mat (来自 Gonum): ➕ 这并不是严格意义上的“ML”库，但 Gonum 的 mat 包是必不可少的。它提供了矩阵操作，这是几乎所有机器学习算法的基础。它可以被视为 Go 的 NumPy。没有高效的矩阵操作，你将很难在机器学习中做很多事情。

几个关键点和考虑点:

• 成熟度: Python 的库通常更成熟，具有更庞大的社区和更详尽的文档。Go 的库虽然较年轻，但正在迅速迎头赶上。
• 抽象层次: Go 的库倾向于提供比一些 Python 库更低的抽象层次。这意味着你需要自己编写更多的代码，但你也会对过程有更大的控制权。（Gorgonia 和 Keras 是很好的例子）。
• 性能: 正如我们强调的，Go 的编译型语言特性使其库在计算密集型任务中具有显著的性能优势。
• 社区规模: 截至 2025 年 3 月，Go 的机器学习社区规模仍然不及 Python，这意味着你可以找到的社区支持相对较少。

让我们用GoLearn来训练一个简单的线性回归模型。

    package main  

    import (  
        "fmt"  
        "log"  
        "github.com/sjwhitworth/golearn/base"  
        "github.com/sjwhitworth/golearn/linear_models"  
    )  
    func main() {  
        // 从CSV文件（你需要先创建这个文件）加载数据  
        rawData, err := base.ParseCSVToInstances("data.csv", true) // true 表示文件有标题行  
        if err != nil {  
            log.Fatal(err)  
        }  
        // 将数据分为训练集和测试集  
        trainData, testData := base.InstancesTrainTestSplit(rawData, 0.8) // 80% 用于训练  
        // 创建一个新的线性回归模型实例  
        model := linear_models.NewLinearRegression()  
        // 训练这个模型  
        err = model.Fit(trainData)  
        if err != nil {  
            log.Fatal(err)  
        }  
        // 对测试数据进行预测  
        predictions, err := model.Predict(testData)  
        if err != nil {  
            log.Fatal(err)  
        }  
        // 一个非常基础的检查方法：  
        fmt.Println(predictions)  
        // 评估模型（通常会使用像 R-squared 这样的指标）  
        // (GoLearn 提供了评估指标，但这里我们保持了简单性)  
        // ...  
    }

无具体内容

1. 导入包件: 📦 我们导入GoLearn的base包用于数据处理和linear_models包用于回归模型。
2. 加载数据: 📂 我们从CSV文件中加载数据（你需要创建包含你数据的data.csv文件，这个文件应该有表头）。true参数表示CSV文件包含表头。
3. 拆分数据: ➗ 我们将数据拆分为80%训练集和20%测试集。
4. 创建模型: ➕ 我们创建一个新的LinearRegression模型。
5. 训练模型: 💪 我们使用Fit方法，用训练数据来训练模型。
6. 进行预测: 🔮 我们使用训练好的模型对测试数据进行预测。
7. 打印: 我们打印预测结果（在实际应用中，你应该使用适当的评估指标来评估模型）

这展示了如何使用GoLearn来进行基本的机器学习任务。这相对简单，类似于在Python中使用Scikit-learn一样。

来自Tenor](https://tenor.com/view/future-is-now-old-man-future-is-now-malcolm-in-the-middle-iota-tanglevision-gif-22172633)

Go 在机器学习领域是一个非常严肃的竞争对手，即使 Python 仍然是王者（至少目前是这样）。Go 以其速度、并发性和可扩展性著称。尽管 Python 的生态系统更大，但 Go 的生态系统正在迅速增长，并且已经在生产环境中表现出色。所以，对于下一个机器学习项目，确实值得考虑使用 Go。这种转变可能不会一夜间发生，但潜在的好处？它们是巨大的（巨大的英文原文为 HUGE，表明原文强调这一点）。了解 Go 的强大和高效，并可能发现一些新奇的机器学习可能性！

你是否在考虑用 Go 来做你的机器学习项目？或者你已经在用 Go 了？在下面评论区分享一下你的使用体验吧！让我们聊聊 Go 在 ML 世界中的未来吧！我很想听听你们的想法。

在你离开前:

• 记得 点赞 并 关注 作者👏
• 关注我们：X | 领英 | YouTube | Newsletter | 播客 | Differ | Twitch
• 试试CoFeed，智能获取最新科技资讯 🧪
• 在Differ上免费创建你的AI博客 🚀
• 加入我们的Discord创作者社区 🧑‍💻
• 更多内容，请访问 plainenglish.io 和 stackademic.com