Gorgonia 是一个帮助在 Go 语言中进行机器学习的库。你可以轻松地编写和评估涉及多维数组的数学方程。如果这听起来像 Theano 或 TensorFlow，那是因为它的理念非常相似。具体来说，这个库类似于 Theano，属于比较底层的实现，但目标却更接近 TensorFlow。

Gorgonia：

• 可以进行自动微分
• 可以进行符号微分
• 可以执行梯度下降优化
• 可以进行数值稳定化处理
• 提供了许多便捷函数来帮助构建神经网络
• 性能相当快（与 Theano 和 TensorFlow 的速度相当）
• 支持 CUDA/GPGPU 计算（OpenCL 尚未支持，欢迎提交 Pull Request）
• 将来会支持分布式计算

目标

Gorgonia 的首要目标是成为一个高性能的机器学习/图计算库，能够在多台机器上扩展。它旨在将 Go 语言的优势（简单的编译和部署流程）引入机器学习领域。目前距离这一目标还有很长的路要走，但我们已经迈出了第一步。

Gorgonia 的次要目标是为探索非传统的深度学习和神经网络相关技术提供平台。这包括新赫布理论学习、剪枝算法、进化算法等。

为什么使用 Gorgonia？#

使用 Gorgonia 的主要原因在于开发者的舒适度。如果你已经在项目中大量使用 Go 技术栈，现在你就可以在一个熟悉且舒适的环境中构建生产级的机器学习系统了。

通常，机器学习和人工智能的工作流程分为两个阶段：实验阶段，即构建各种模型并反复测试；以及部署阶段，即在经过充分测试和调整后，将模型投入实际应用。这两个阶段往往需要不同的角色，例如数据科学家和数据工程师。

传统上，这两个阶段使用的工具并不相同：Python（如 PyTorch 等）常用于实验阶段，而模型随后会被重写成性能更高的语言，比如 C++（使用 dlib、mlpack 等）。当然，如今这种界限正在逐渐模糊，人们也经常共享工具。TensorFlow 就是一个弥合这一差距的工具。

Gorgonia 的目标则是为 Go 生态系统实现同样的功能。目前，Gorgonia 的性能已经相当不错——其 CPU 实现的速度可以与 PyTorch 和 TensorFlow 的 CPU 版本相媲美。由于 CGO 调用的开销较大，GPU 实现的性能对比稍显复杂，不过请放心，这方面仍在积极改进中。

快速入门

安装

可以通过 go get 命令安装：go get -u gorgonia.org/gorgonia。

Gorgonia 兼容 Go 模块。

文档

最新的文档、参考和教程都可在 Gorgonia 官网 https://gorgonia.org 上找到。

获取最新信息

Gorgonia 项目有一个 Slack 频道 和一个 Twitter 账号。官方更新和公告都会发布在这两个平台上。

使用方法

Gorgonia 的工作原理是先创建一个计算图，然后执行它。你可以把它想象成一种编程语言，但它仅限于数学函数，没有分支结构（没有 if/then 或循环）。事实上，这就是用户需要习惯的主要思维方式。计算图本质上是一个 抽象语法树。

微软的 CNTK，通过其 BrainScript，很好地说明了构建计算图和运行计算图是两件不同的事情，用户在思考时也需要采用不同的模式。

虽然 Gorgonia 的实现并没有像 CNTK 的 BrainScript 那样严格区分这两种思维模式，但其语法确实提供了一些帮助。

下面是一个例子：假设你想定义一个数学表达式 z = x + y，以下是实现方式：

package gorgonia_test

import (
	"fmt"
	"log"

	. "gorgonia.org/gorgonia"
)

// 将数学方程表示为计算图的基本示例。
//
// 在这个示例中，我们想要表示以下方程：
//		z = x + y
func Example_basic() {
	g := NewGraph()

	var x, y, z *Node
	var err error

	// 定义表达式
	x = NewScalar(g, Float64, WithName("x"))
	y = NewScalar(g, Float64, WithName("y"))
	if z, err = Add(x, y); err != nil {
		log.Fatal(err)
	}

	// 创建一个 VM 来运行程序
	machine := NewTapeMachine(g)
	defer machine.Close()

	// 设置初始值并运行
	Let(x, 2.0)
	Let(y, 2.5)
	if err = machine.RunAll(); err != nil {
		log.Fatal(err)
	}

	fmt.Printf("%v", z.Value())
	// 输出: 4.5
}

你可能会注意到，与其他类似库相比，这里的代码略显冗长。例如，Gorgonia 不会直接编译成可调用的函数，而是专门编译成一个 *program，需要借助 *TapeMachine 来运行。此外，还需要手动调用 Let(...) 函数。

作者认为，这种设计其实是一件好事——它可以帮助开发者转变思维方式，从传统的编程思维转向面向机器的思维。这有助于更好地理解可能出现的问题所在。

另外，Gorgonia 不支持分支结构，也就是说，没有条件语句（if/else）或循环。它的设计初衷并不是要构建一台图灵完备的计算机。

更多示例可以在项目的 example 子文件夹中找到，逐步教程则可在 官方网站 上查阅。

使用 CUDA

Gorgonia 默认支持 CUDA。 有关 CUDA 的详细使用方法，请参阅 Gorgonia 官网上的参考文档 https://gorgonia.org/reference/cuda/，或者直接阅读 CUDA 教程。

关于 Gorgonia 的开发过程

版本管理

我们采用 语义化版本 2.0.0 进行版本管理。在 1.0 版本之前，Gorgonia 的 API 预计会有较大变化。API 定义为公开的函数、变量和方法。为了开发者的便利，在 1.0 版本之前，我们会对语义化版本规范做一些小调整，具体如下：

• 每次出现破坏性的 API 变更时，MINOR 版本号将递增。这意味着任何函数签名或接口方法的删除或更改都会导致 MINOR 版本号的增加。
• 在 1.0 版本之前，新增功能不会改变 MINOR 版本号。也就是说，如果添加了新功能但不破坏现有使用方式，则 MINOR 版本号不会递增，而是 PATCH 版本号会递增。

API 稳定性

目前，Gorgonia 的 API 尚未被认为是稳定的。从 1.0 版本开始，API 将被视为稳定。

Go 版本支持

Gorgonia 支持 Go 主分支以下的两个版本。这意味着 Gorgonia 将支持当前发布的 Go 版本，以及最多往前追溯的四个版本——前提是不会出现兼容性问题。在可能的情况下，我们会提供适配层（例如针对 Go 1.9 引入的新 sort API 或 math/bits 包）。

当前的 Go 版本是 1.13.1。Gorgonia 最早支持的版本是 Go 1.11.x，但 Gonum 只支持 1.12 及以上版本。因此，运行主分支的最低 Go 版本要求是 Go > 1.12。

支持的硬件与操作系统

Gorgonia 支持以下平台：

• linux/AMD64
• linux/ARM7
• linux/ARM64
• win32/AMD64
• darwin/AMD64
• freeBSD/AMD64

如果您曾在其他平台上测试过 Gorgonia，请更新此列表。

硬件加速

Gorgonia 使用了一些纯汇编指令来加速部分数学运算。遗憾的是，目前仅支持 amd64 架构。

贡献指南

显然，由于您很可能正在 GitHub 上阅读本文，GitHub 将成为贡献本项目的主要工作流程。

参阅：CONTRIBUTING.md

贡献者与重要贡献者

我们欢迎所有贡献。不过，我们引入了一类新的贡献者，称为“重要贡献者”。

重要贡献者需展现出对该库及其相关领域的深刻理解。以下是构成“重要贡献”的示例：

• 编写了大量关于特定函数/方法的原理、实现机制，以及各部分之间相互作用的文档；
• 编写了围绕 Gorgonia 内部复杂模块的代码及测试；
• 编写了代码并提交了至少 5 个被接受的 Pull Request；
• 对项目的某些部分提供了专业分析（例如，作为浮点运算专家优化了某个函数）；
• 回答了至少 10 个支持相关的问题。

重要贡献者名单将每月更新一次（当然，前提是还有人使用 Gorgonia）。

如何获取支持

目前获取支持的最佳方式是在 GitHub 上提交 Issue。

常见问题解答

为什么测试中会出现看似随机的 runtime.GC() 调用？

答案很简单：该库的设计以特定方式使用 CUDA——即 CUDA 设备和上下文与 VM 绑定，而不是在包级别绑定。这意味着每创建一个 VM，就会为每个设备创建一个独立的 CUDA 上下文。这样可以确保所有操作与其他可能使用 CUDA 的应用程序良好共存（尽管这一点仍需进一步压力测试）。

这些 CUDA 上下文只有在 VM 被垃圾回收时才会被销毁（通过终结器函数实现）。在测试中，通常会创建约 100 个 VM，而垃圾回收的时间点往往是随机的。这可能导致 GPU 内存不足，因为同时存在过多的 CUDA 上下文。

因此，在可能使用 GPU 的测试结束时，我们会调用 runtime.GC() 来强制进行垃圾回收，释放 GPU 内存。

在生产环境中，一般不太可能启动如此多的 VM，因此这种情况并不常见。如果确实遇到问题，请在 GitHub 上提交 Issue，我们将考虑为 VM 添加 Finish() 方法。

许可证

Gorgonia 采用 Apache 2.0 的变体许可证。它与 Apache 2.0 许可证基本相同，唯一的区别在于，除非您是重要贡献者（例如为该项目提供商业支持），否则不得直接从本项目中获利。不过，您可以自由地从基于 Gorgonia 的衍生作品中获利（例如将 Gorgonia 作为库集成到您的产品中）。

任何人仍然可以将 Gorgonia 用于商业目的（例如将其应用于企业软件中）。

依赖项

Gorgonia 使用的依赖项非常少，而且都非常稳定，因此目前不需要使用依赖管理工具。以下是 Gorgonia 调用的外部包列表，按本包对其依赖程度排序（省略了子包）：

包名	用途	是否关键	备注	许可证
gonum/graph	对 *ExprGraph 进行排序	关键。移除后 Gorgonia 将无法运行	Gorgonia 的开发团队致力于保持与最新版本同步	gonum 许可证（MIT/类似 BSD）
gonum/blas	Tensor 子包中的线性代数运算	关键。移除后 Gorgonia 将无法运行	Gorgonia 的开发团队致力于保持与最新版本同步	gonum 许可证（MIT/类似 BSD）
cu	CUDA 驱动程序	进行 CUDA 操作所必需	与 Gorgonia 由同一维护者维护	MIT/类似 BSD
math32	float32 运算	可用 float32(math.XXX(float64(x))) 替代	与 Gorgonia 由同一维护者维护，API 与内置 math 包相同	MIT/类似 BSD
hm	Gorgonia 的类型系统	Gorgonia 的图结构与类型系统紧密耦合	与 Gorgonia 由同一维护者维护	MIT/类似 BSD
vecf64	优化的 []float64 操作	可在 tensor/genlib 包中生成。不过已经进行了大量优化，未来还将继续优化	与 Gorgonia 由同一维护者维护	MIT/类似 BSD
vecf32	优化的 []float32 操作	可在 tensor/genlib 包中生成。不过已经进行了大量优化，未来还将继续优化	与 Gorgonia 由同一维护者维护	MIT/类似 BSD
set	各种集合操作	可以轻松替换	过去一年 API 稳定	set 许可证（MIT/类似 BSD）
gographviz	用于打印图	图的打印仅对调试至关重要。Gorgonia 即使没有这一功能也能运行，但会失去一个主要（尽管可能不算关键）特性	最后更新于 2017 年 4 月 12 日	gographviz 许可证（Apache 2.0）
rng	用于实现生成初始权重的辅助函数	可以较为容易地替换。Gorgonia 也可以不使用这些便利函数		rng 许可证（Apache 2.0）
errors	错误包装	即使没有它，Gorgonia 也不会崩溃。事实上，Gorgonia 过去也曾使用过 goerrors/errors。	过去 6 个月 API 稳定	errors 许可证（MIT/类似 BSD）
gonum/mat	Tensor 与 Gonum 矩阵之间的兼容性	Gorgonia 的开发团队致力于保持与最新版本同步		gonum 许可证（MIT/类似 BSD）
testify/assert	测试	可以不用，但会使测试变得非常麻烦		testify 许可证（MIT/类似 BSD）

其他版权声明

以下是在编写 Gorgonia 过程中受到启发并加以改编的包和库（已使用的 Go 包已在上文列出）：

来源	使用方式	许可证
Numpy	受到大量启发。部分方法直接采用了其算法（文档中已明确标注）	MIT/类似 BSD。Numpy 许可证
Theano	受到大量启发。（不确定直接采用了多少算法）	MIT/类似 BSD Theano 许可证
Caffe	im2col 和 col2im 直接来自 Caffe。卷积算法则受到 Caffe 原始方法的启发	Caffe 许可证

Gorgonia 快速上手指南

Gorgonia 是一个用于 Go 语言的机器学习库，支持自动微分、符号微分、梯度下降优化及 CUDA/GPU 加速。其设计理念类似于 Theano 和 TensorFlow，旨在让 Go 开发者能够在熟悉的生态中构建高性能的机器学习模型。

环境准备

系统要求

Gorgonia 支持以下操作系统与架构：

• Linux: AMD64, ARM7, ARM64
• Windows: AMD64 (win32)
• macOS: AMD64 (darwin)
• FreeBSD: AMD64

注意：部分硬件加速功能（纯汇编指令优化）目前仅支持 amd64 架构。若需使用 CUDA/GPU 加速，请确保已安装对应的 NVIDIA 驱动和 CUDA Toolkit。

前置依赖

• Go 版本：建议使用 Go 1.12 或更高版本（官方支持当前版本及前两个主要版本）。
• Go Modules：项目已兼容 Go Modules。

安装步骤

使用 go get 命令即可安装最新版本的 Gorgonia：

go get -u gorgonia.org/gorgonia

国内开发者若遇到下载速度慢的问题，可配置国内代理加速：

export GOPROXY=https://goproxy.cn,direct
go get -u gorgonia.org/gorgonia

基本使用

Gorgonia 的核心工作流程是：构建计算图 -> 创建虚拟机 -> 赋值并执行。

以下是一个最基础的示例，演示如何定义并计算数学表达式 $z = x + y$：

package main

import (
	"fmt"
	"log"

	"gorgonia.org/gorgonia"
)

func main() {
	// 1. 创建一个新的计算图
	g := gorgonia.NewGraph()

	var x, y, z *gorgonia.Node
	var err error

	// 2. 定义变量节点 (标量，浮点型)
	x = gorgonia.NewScalar(g, gorgonia.Float64, gorgonia.WithName("x"))
	y = gorgonia.NewScalar(g, gorgonia.Float64, gorgonia.WithName("y"))

	// 3. 定义操作：z = x + y
	if z, err = gorgonia.Add(x, y); err != nil {
		log.Fatal(err)
	}

	// 4. 创建虚拟机 (TapeMachine) 用于执行计算图
	machine := gorgonia.NewTapeMachine(g)
	defer machine.Close()

	// 5. 为变量赋初始值
	gorgonia.Let(x, 2.0)
	gorgonia.Let(y, 2.5)

	// 6. 运行所有计算
	if err = machine.RunAll(); err != nil {
		log.Fatal(err)
	}

	// 7. 输出结果
	fmt.Printf("Result: %v\n", z.Value())
	// Output: Result: 4.5
}

关键点说明

• 计算图模式：Gorgonia 不支持条件分支（if/else）或循环，专注于数学运算图的构建与执行。
• 显式执行：需要手动创建 TapeMachine 并调用 RunAll() 来触发计算，这有助于更清晰地控制内存和执行流程。
• 更多资源：进阶教程（如神经网络构建、CUDA 使用等）请访问官方文档 https://gorgonia.org。