1 写在前面

相信很多刚进入大学或者刚应届进入嵌入式开发领域的朋友，都有过这样的一个疑问：我将来是计划搞嵌入式研发的，我有必要去学习Python吗？

这个问题，说起来，肯定是不同人有不同的答案，下面我会结合我个人从事嵌入式研发近10年的工作经历，和大家一起探讨探讨这个话题。

2 一个结论

在读下文之前，我先拎出我的一个结论：搞嵌入式研发，真的非常有必要学习学习Python!

从我刚应届出来那会，说真的，由于我是电子科学与技术专业出身，本身是一个偏硬件的专业，毕业投简历的时候志在嵌入式软件岗位上发光发热，结果阴差阳错，被第一东家以嵌入式硬件工程师的岗位录用，从此走上了上班画板子，下班拿烙铁的苦逼生活。

说来也巧，我进入的团队由于业绩不理想，是一个新兴部门，并且团队内的硬件工程师严重饱和，所以部门领导见我是个可塑之才（一直空白，容易塑造），就想着把我往嵌入式软件工程师的岗位上培养。

这样可把我乐坏了，这不正是我一年前的理想吗？我怎么也得好好干一把，发挥发挥软件开发的优势。

但是，其实那个时候开发嵌入式软件，我是压根不知道有Python这玩意的，由于在学习只学过C语言、C++、汇编语言，而对于Python语言，也仅仅是从团队中资深的老大哥们口中得知的。基本上，大家都是统一口径：Python可牛B了，有必要学好它！

显然，那个时候我并不知道它牛B在哪，也可能无法理解它将会在我的嵌入式开发生涯中，一直伴随着我。

3 Python在嵌入式领域能干啥事

扯了这么多有的没的，下面我将结合我个人的实际工作经历，给大家梳理一下Python在嵌入式领域能干啥事？

Python上手快，组件（软件包）非常丰富，平时用于跑一个应用Demo，可以很快就能得到验证。比如我需要测试一下嵌入式终端的客户端网络通讯能力，我可快速用Python打一个网络服务器即可验证。比如我想验证一个ftp文件下载的功能，比如我想验证一个http文件下载的功能，比如我想验证一个MQTT订阅和发布，等等。这些对于Python而已，都是小CASE，有大量的第三方库，一分钟就帮你搭建好整个验证环境。
Python是脚本化编程语言，在嵌入式编译构建中，应用非常广泛，大名鼎鼎的 scons 就是完全用Python写的；了解了它之后，你也就不用去学习复杂繁琐的Makefile了
Python的还有一大利器，就是应用于嵌入式领域的自动化测试。在嵌入式中，性能测试和功能测试都是非常重要的两个环节，而传统的使用人工去执行测试，不但效果低下，而且容易出错，得不到有效的测试数据。而有了Python，我们就可以利用Python工具来搭建各种自动化测试环境，可以执行性能压力测试、可以执行批量的功能测试、可以挂长负载运行等等测试场景，不但减轻了测试人员的工作强度，也大大提升了研发定位问题的速度，这就是Python带来的好处。
如今，嵌入式芯片的运算能力越来越强大了，想要在嵌入式平台上直接跑Python已经编程了一种可能，而MicroPython可能就是一种比较理想的方案。Python 编程语言具有浅薄的学习曲线，这使得开发人员可以非常轻松地开始使用它。当你有一个好的产品想法时，可以很快就用MicroPython实现验证，加速产品商用落地。

以上几点，都是我亲身体会到的优势点，大家还有其他重要用途吗？欢迎大家再评论区补充，我们一起来交流交流Python的牛B。

4 Python是用来干大事的

讲了这么多，你以为Python就仅仅是用于嵌入式领域吗？那你就大错特错了。

从我个人角度出发，我个人认为Python用于人工智能领域，这才是干大事的节奏。

由于我本身不是搞人工智能相关研发的，所以我的观点可能不具备说服力，于是我在某乎上，搜索 Python 人工智能 关键字，得到一个高赞答案，如下图所示：
感兴趣了解全部答案的可以戳这里 !

在这里插入图片描述

看完这个回答，我想各位也应该深入思考一下，如果有志于从事人工智能领域的研发，是不是得把Python给学透了，毕竟那么多优秀的深度学习框架都是用Python来构建的，掌握了它们，也就开启了人工智能的大门。

5 友情推荐

基于Python语言学习人工智能，我留意到最近有一个畅销书非常火爆，它就是**《Python深度学习：基于PyTorch 第2版》**。

相信大家最近都被chat GPT的智能化给震惊到了，那么chat GPT究竟是怎么来的呢？

我这个门外汉搜集了一些资料，简单回答一下：

chat GPT是语言生成模型，是用人工智能技术来生成内容（AI Generated Content，AIGC）中的一种，像图像、视频和语音的生成模型，如VAE、GAN及扩散模型Stable Diffusion、DALL-E2等构成AIGC的另一个分支。这些模型或算法凭借其强大的生成能力，已成为生成模型的一大热门。

chat GPT背后的主要技术从架构、微调等方面来说，主要涉及三个核心技术。

（1）Transformer是底层核心架构，Transformer架构有很好的并发性、可扩展性、长距离依赖等特性。

（2）Codex用于代码、文本生成，可以根据用户描述生成代码，而且因其上下文窗口长达8192，无形中大大提升了整个模型推理能力。

（3）人类反馈强化学习（Reinforcement Learning from Human Feedback，RHFL）模型将预训练语言模型按照人类反馈进一步微调以符合人类偏好，利用人类反馈信息直接优化模型。

而今天我要推荐的这边书，《Python深度学习：基于PyTorch 第2版》，它涉及AIGC技术的核心内容，本书第8章、第14重点介绍了注意力机制及Transformer架构及其应用，第10章、第16章介绍了生成式网络核心架构（如AE、VAE、GAN等），这些架构包括降噪、重参数化等技术，此外，本书还包括目标检测、强化学习等内容。除理论、原理介绍外，还包括大量可动手实践的实例。

同时，本书还配置了丰富的PPT文档，更好地辅助读者朋友了解和实践书中的例程。另外，它还与 《Python深度学习：基于TensorFlow 第2版》 誉为 深度学习领域的双子星，阵容不可谓不强大。