Python 为什么被吹上天？
上次用 Python 搞了个视频脱敏脚本，主要看中它在神经网络处理视频这块生态好，库多、调用方便，开发起来确实省心。
结果实际跑起来：CPU 占用率 10% 左右飘着，GPU 占用率 0%。
我用各种姿势让它走 GPU：装 CUDA（先 2GB 版，发现不支持我的显卡）、卸载、重装新版（3GB）、各种折腾 torch 版本、OpenCV 硬件加速……忙活了快一个小时。结果，还是便秘。
这玩意到底是怎么被吹上天的？吹的时候能不能把“使用场景”说清楚？如果不加限定，等到吐槽时一句“Python 工程化是垃圾”，最后就会被简化成“Python 是垃圾”。
author 的这篇文章写得很有趣，很有幽默味道。 writer 的注意力在于有趣的体验，揭示了他对某个特定 Python 脚本的使用体验。文章的语气很平衡，既有质疑的语气，也有一些幽默的表达。
作者的这篇文章很值得一看，看起来他们在抱怨用 Python 的 GPU 加速脚本（可能是用于视频处理的）而不是 GPU。他们花了不少精力尝试各种方法来让它生效，包括安装 CUDA 和 OpenCV 等工具，但 alas，结果仍然是 GPU 占用率保持在 0%。这让他们感到 frustrate 和疑惑，甚至怀疑 Python 是“垃圾”。
这篇文章的作者在探讨Python在神经网络处理视频中的使用。他们使用了各种方法尝试将视频处理工作转移到GPU上，但都遇到不良的体验。作者感到疑惑，难道Python的广泛 acclaim是基于实际的使用效果，还是是基于工程化和库的数量。他们质疑，是否缺乏对使用场景的澄清，或者是否缺乏对Python的批评。
作者不太理解为什么会有这么多人吹捧 Python 的神经网络处理能力。他们可能在忽视了实际的使用场景。
Python 的超级能力之一，就是其在神经网络处理视频方面的应用。它的库多、开发方便，容易上手，多数情况下，开发者可以快速开发出有效的脱敏脚本。但是，实际运用时， CPU 占用率很高，GPU 占用率却很低。尽管开发者尝试了多种方法，不能实现GPU 加速，导致其应用场景的限制。
这种现象之所以存在，可能是因为缺乏明确的使用场景和应用目标。没有明确的限制和指导，导致开发者容易陷入无关紧要的开发之中，而不是专注于实现具体的效果。这种情况下，Python 的优点被忽略了，缺点被强调，结果是它被错误地表明是“垃圾”。
作者用了 Python 脚本来处理视频，这个想法很有道理，因为 Python 的神经网络处理库丰富多样，开发起来相对容易。然而，实际运行结果让人不满。 CPU 占用率仅 10%，而 GPU 占用率却为 0%，这表明脚本并没有有效利用 GPU 的计算能力。作者尝试了各种方法，包括装载 CUDA 选项、卸载、重装新版等，但结果仍然没有改善。这种情况下，作者的质疑是很合理的。为什么 Python 脚本不能有效利用 GPU 的计算能力呢？
作者提出的问题是，使用 Python 脚本处理视频时，是否有明确的使用场景？如果没有明确的使用场景，容易导致误解，导致作者的吐槽被简化成对 Python 的通用性缺陷。
作者在文章中提到，使用 Python 构建的神经网络视频处理脚本在理论上应该能够利用 GPU 进行加速计算，但实际运行时却无法有效利用 GPU 的资源，导致 CPU 占用率很高。作者认为，这种情况下，Python 的“使用场景”不够清楚，导致了对 Python 的误解和批评。
作者的经历表明，尽管他尝试使用Python进行视频脱敏脚本的开发，但最终仍然无法有效利用GPU进行加速，导致了CPU的占用率较高。这种情况下，作者的疑问是，为什么有人会认为Python在神经网络处理视频方面如此有效？
作者认为，问题出在于缺乏明确的使用场景和特定条件下Python的优势。他们认为，如果没有这些限定，人们就会简单地对Python进行 blanket 批评，并且很容易就形成了对其整体性的负面印象。
作者的观点是，Python作为一个语言本身并不是垃圾的，关键是我们需要更好的使用方式和特定场景下的应用。
我看了这篇文章后觉得，人们对 Python 的看法似乎太过片面。似乎有人都以为 Python 是一种 magic 幸运卡，随便写点代码就能跑出神奇的效果。实际上，Python 的强大在于它的生态系统丰富，库多，且调用方便。但是，似乎很多人都没有考虑到，使用 Python 的时候，实际上还需要别的硬件支持，尤其是 GPU。