最后的比较是使用卷积神经网络（CNN 或 ConvNet）。 CNN 是一种深度学习算法，主要用于图像识别、图像分类、对象检测等。在本次比较中，CNN 用于 MNIST（修改后的国家标准与技术研究院）数据集的图像分类。该数据集包含 60,000 张训练图像和 10,000 张测试图像，其中每张图像都是黑白（双层）手写数字。与随机森林比较一样，图像的标签是已知的，这使其成为一个监督的深度学习问题。
“这种悬念让我难以忍受”
下图显示了运行模型时获得的结果。为了公平比较，所有模型都在同一个 CPU[2] 上运行。当然，也有改善结果的可能性，例如 GPU 加速，但由于实现速度太快，所以选择不这样做。分析的重点主要在于对 DS 语言的探索； ，还是需要从 BC 数据 头开始构建它们？因此，模型的优化超出了本分析的范围。
*Julia 是一个“提前”编译器，显示的秒数来自第二次运行。
图 1：每种语言每种情况的运行时
用例结果表明，在随机森林和 k-means 情况下，Rust 和 Go 在编译时确实比 Python 快得多。编译后，Rust 的速度甚至比 Go 快两倍多。但在这里，Go 确实展示了其作为一种快速编译语言的实力，因为它的编译性能甚至超过了 Python。
然而，对于 CNN 用例来说，Python 占据了主导地位。在这里，Rust 较小的数据科学社区真正显现出来，因为无法让可用的 CNN 包工作（库：Out of the Box）。这主要是因为可用的 CNN 包运行在旧版本的 Rust 上，并且文档和解释很少。当然，经验丰富的 Rust 程序员能够创建出色的 CNN 模型，但优秀的数据科学语言的特点之一是学习曲线平缓。但这并不温和。