知识卡片
算法部署为何弃用脚本语言
机器学习算法在正式环境部署时,三条工程约束共同排除了较慢的脚本语言。其一,这类算法大多经历过长期验证、本身很稳定,系统一旦部署就不轻易改动,因而值得用编译型语言换取执行效率。其二,任务大多数据密集:训练阶段是 CPU 密集型,分类或预测阶段是 I/O 密集型,对吞吐和延迟敏感,脚本语言的解释开销会被海量数据放大。其三,很多算法改进涉及知识产权,脚本代码容易被反编译,不利于保护核心实现。三点合起来解释了一个看似反直觉的现象——算法原型常用 Python 快速验证,上线服务却倾向更高效的语言。这是对部署阶段的建议,并不否定脚本语言在实验与教学中的价值;判断标准始终是任务的数据规模、性能要求与代码保护需求。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第4章 推荐系统原理 · 查看原书依据
算法执行的任务大都属于数据密集型的任务,换成计算机专用术语,在训练阶段属于CPU密集型任务,在分类或预测阶段属于I/O密集型任务。为了提高效率,在正式的环境部署中,我们不建议在程序设计时使用较慢的脚本语言。
参考来源
- 位置:《机器学习算法原理与编程实践》第4章 推荐系统原理(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00016.html)
- 结论依据:原文逐条列出算法稳定、任务数据密集、脚本易被反编译三点,并据此明确提出正式环境不建议用较慢的脚本语言,直接支撑本卡结论。
- 原始内容:算法执行的任务大都属于数据密集型的任务,换成计算机专用术语,在训练阶段属于CPU密集型任务,在分类或预测阶段属于I/O密集型任务。为了提高效率,在正式的环境部署中,我们不建议在程序设计时使用较慢的脚本语言。