前言
最近做了一些數據分析、機器學習的工作，使用的是php-ml這個庫，前期還算不錯，不得不佩服作者arkadiuszkondas的API設計能力和算法功底。但是，隨着數據量越來越大，發現訓練時長劇增、內存利用率不高，於是翻了翻作者的博客找到了這篇文章，故譯之。
正文
爲什麼說目前的PHP生態還不能夠普遍落地機器學習框架，我認爲主要有三個原因造成當今這種狀況。下面我將陳述這幾個觀點：
可視化的可能性幾乎爲零
…無論是以計算還是以圖表的輸出方式都應該學習，這樣的呈現纔是易於理解的 —— F. J. Anscombe, 1973
讓我們問自己一個簡單的問題：下面這些圖形有什麼共同點呢？(這些都是簡單的集合點:x和y)
答案非常簡單與令人驚訝:一套共同的指標。這些圖都非常相似(小數點準確到第二位):
- X 平均值: 54.26
- Y 平均值: 47.83
- X 標準差: 16.76
- Y 標準差: 26.93
- 相關係數: -0.06
驚訝嗎?還沒完。向datasaurus問好:
是的，那些點在這張圖上面顯示是相同的指標
我希望能讓你相信，機器學習過程的一個基本組成部分是數據可視化。
目前，與豐富的Python生態相比，在PHP中我們沒有任何圖表支持。下面我給你展示一下，畫一個圖去查看你的已預測數據是多麼簡單！別忘了那隻恐龍～
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv('dino.csv',header=None)
plt.scatter(data[0], data[1], color='red');
好了，4行代碼，完美～
比分：PHP: 0 - Python: 1
PHP不支持Jupyter Notebook
Jupyter Notebook是一個無與倫比的學習機器學習的工具。你可以只使用瀏覽器準備、檢查、可視化數據和訓練你的模型。
所有這一切都歸功於這些強大的能力：混合代碼（Juila、Python和R）、文檔（markdown）、可視化（img）
下面是一個例子，一個Notebook片段:
在機器學習的世界裏，你會花大量的時間來分析數據。你會一直想要保留筆記、實驗和訓練各種類型的模型。當然，最好是能可視化。
這是一個有趣的犯罪數據分析的例子：Understanding Crime in Chicago
對了，我不會刻意說，這個筆記本還有版本控制的功能。
比分：PHP: 0 - Python: 2
不支持GPU
在你的數據集還未達到GB級別時，你不會想到使用深度學習，你更不會使用GPU。但是，這一天終將到來不是嗎，到時候我們能做些什麼呢？
比如說TensorFlow，相比其他環境的神經網絡，它以優秀的分佈式計算聞名。它給了你更多的可能性，去完全掌控計算組件（GPU、CPU），毫無疑問有了更多的選擇。
例如，你可以決定把變量放在哪，下面，我們把變量a放在GPU上運行，把常量b放在CPU上運行。
with tf.device('/gpu:0'):
a = tf.Variable(15.12)
with tf.device('/cpu:0'):
b = tf.constant(3.14)
這僅僅是開始。你可以設置一個服務器集羣來運行。你還可以使用TPU（張量處理組件）。專用的計算組件，可以加速機器學習進度。
在PHP裏面，我們發現一個有趣的倉庫：dnishiyama85/PHPMatrix
這是一個PHP擴展，支持浮點數矩陣運算，同時，它還支持 OpenBLAS sgemm 和 cuBLAS sgemm 函數
但是在我看來，在GPU上面的探索還任重道遠(crawls like a baby)
我不知道這裏有什麼比較的意義，但還是讓我們和平地做總結吧：
比分：PHP: 0 - Python: 3
總結
正如你看到的那樣，上面我選擇的三個主要原因足以說明，爲什麼PHP不是學習和使用機器學習的理想語言。但是，這不意味着情況會一直如此。
我想再一次提醒，PHP在創造之始是爲了在網站上展示HTML，現在，你可以使用它來構建企業級應用。讓我們看看一個例子：Spotify
通過網頁和巨大的移動設備流量，這個音樂流媒體服務使用symfony來支撐7500萬活躍用戶、每秒幾乎60萬請求
具有諷刺意味的是，Spotify有一個用於機器學習的服務器集羣：Spotify怎麼如此懂你？
也許未來，PHP寫機器學習的需求會到來，但只要上述問題不解決，我們沒有什麼指望。
但請不要悲傷。下面是我最喜歡的一句名言:
Those who are crazy enough to think they can change the world usually do.