Go语言不适合机器学习训练，但适合加载预训练模型做低延迟推理；推荐用ONNX格式导出模型后，通过onnx-go或onnxruntime-go执行，避免使用gorgonia、goml、golearn等不成熟库。
Go 语言不是做机器学习的主流选择，它没有像 Python 那样成熟的生态（比如 scikit-learn、PyTorch、TensorFlow），但如果你必须用 Go——比如嵌入已有服务、追求部署轻量或低延迟推理——它确实能做，只是得绕开“训练主力”的幻想，专注在“加载模型 + 快速预测”上。
用 gorgonia 写简单训练？先看清楚它的定位
gorgonia 是 Go 里最接近“可定义计算图 + 自动求导”的库，但它不是 PyTorch 的平替。它更像一个底层构建块，API 抽象程度低，调试困难，且社区维护节奏慢（最新 release 是 2022 年）。你写一个线性回归要手动搭图、管理梯度、写循环更新逻辑，而同样任务在 Python 里三行 sklearn.LinearRegression().fit() 就完事。
常见错误现象：gorgonia 报 graph is empty 或梯度为 nil，往往是因为没调用 g.Compile()，或变量没用 g.NewScalar/g.NewVector 正确声明为图节点。
- 只建议用于教学级模型（如单层感知机、小规模逻辑回归）
- 别指望它跑 ResNet 或 LSTM；GPU 支持弱，基本靠 CPU
- 参数初始化、学习率衰减、早停这些都得自己手写，没有
torch.optim.lr_scheduler那类封装
真正实用的路径：Go 加载训练好的模型做推理
这才是 Go 在 ML 场景中靠谱的打开方式——Python 训练，Go 加载。主流做法是把模型导出为 ONNX 格式，再用 Go 的 ONNX runtime 绑定执行。
立即学习“go语言免费学习笔记（深入）”；
实操建议：
- Python 端用
sklearn.onnx.export或torch.onnx.export()导出模型，注意opset_version=12兼容性最好 - Go 端用
github.com/owulveryck/onnx-go（纯 Go 实现，支持 CPU）或github.com/microsoft/onnxruntime-go（绑定官方 C++ runtime，更快但需编译依赖） - 输入数据必须是
[]float32，且 shape 要和 ONNX 模型的 input signature 严格一致；常见错误是维度顺序搞反（比如 PyTorch 默认NCHW，ONNX 可能期望NHWC）
示例片段（onnx-go）：
model, err := onnx.LoadModel("model.onnx")
if err != nil {
log.Fatal(err)
}
input := tensor.New(tensor.WithShape(1, 10), tensor.WithBacking([]float32{...}))
output, err := model.Exec(map[string]interface{}{"input": input})
别碰 goml 和 golearn 这类老库
它们停留在 2015–2017 年，仅实现 KNN、决策树等极简算法，不支持向量化运算，性能差，文档缺失，且已多年无更新。你用 golearn.KnnClassifier 训练 1000 条样本，耗时可能是 sklearn 的 50 倍以上。
典型坑：
-
golearn的Train方法要求输入是[][]float64，但内部没做内存复用，大数据直接 OOM - 所有算法都不支持 categorical 特征编码，得自己预处理成数字——而 Go 没有
pandas.get_dummies() - 交叉验证、网格搜索等基础设施完全不存在
什么时候该坚持用 Go 做 ML？
只有两个现实场景值得投入：一是模型已固化、只需高频低延迟响应（如风控规则引擎里的 LR 模型，QPS > 5k）；二是整个 infra 已是 Go 生态（gRPC 微服务群），加个 Python 子进程或 HTTP 推理服务会破坏部署一致性。
容易被忽略的一点：Go 的并发模型对批量推理友好，但你要自己控制 sync.Pool 复用输入 tensor，否则频繁 make([]float32, N) 会触发大量 GC —— 这比算法本身更影响线上延迟。
