Python为何我们用 Go 而非 Python 来部署机器学习模型？( 二 ) |Go语言|机器学习|软件|

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：

本文插图
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。
【Python为何我们用 Go 而非 Python 来部署机器学习模型？】 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！