朱莉娅是什么？数值计算的新方法

最新推荐文章于 2023-05-30 18:00:10 发布

cxw9087

最新推荐文章于 2023-05-30 18:00:10 发布

阅读量342

点赞数

文章标签：开发工具人工智能 matlab

Julia是一种用于数值计算的免费开源，高级，高性能，动态编程语言。它具有动态语言的开发便利性和已编译的静态类型语言的性能，这部分要归功于基于LLVM的JIT编译器可以生成本机机器代码，部分要归功于通过多专业化实现类型稳定性的设计dispatch ，可以轻松地将其编译为有效的代码。

在2012年宣布Julia首次发布的博客文章中，该语言的作者Jeff Bezanson ， Stefan Karpinski ， Viral Shah和Alan Edelman表示，他们花了三年时间创建了Julia，因为他们很贪婪。他们厌倦了Matlab，Lisp，Python，Ruby，Perl，Mathematica，R和C之间的权衡，并希望使用一种适用于科学计算，机器学习，数据挖掘，大规模线性代数的语言。，并行计算和分布式计算。

[InfoWorld的要点：用于AI开发的5种最佳编程语言。 • 为什么应该使用Python进行机器学习。 • 朱莉娅与Python的对决：朱莉娅语言在数据科学方面的兴起 • 5个基本的Python数据科学工具-现已得到改进 • 数据科学的Python发行版Anaconda入门。 • Python的Anaconda发行版中的新增功能。 | 通过InfoWorld的App Dev Report新闻通讯了解编程方面的热门话题。 ]

朱莉娅是谁的？除了对研究科学家和工程师具有吸引力之外，Julia对数据科学家，金融分析师和量化指标也具有吸引力。

该语言的设计者和另外两名语言设计师于2015年7月成立了Julia Computing ，以“开发使Julia易于使用，易于部署和易于扩展的产品。” 截至撰写本文时，该公司拥有28名员工，客户包括国家实验室，银行，经济学家和自动驾驶汽车研究人员。除了在GitHub上维护Julia开源存储库外，Julia Computing还提供商业产品，包括JuliaPro （免费和付费版本）。

为什么是朱莉娅？

朱莉娅“旨在用单一语言创建前所未有的易用性，功能和效率的组合。” 关于效率问题，请考虑下图：

朱莉娅表现比较 — 上图显示了Julia和其他10种语言相对于C的性能。越低越好。显示的基准是非常底层的任务。该图是使用Jupyter笔记本中的Gadfly绘图和数据可视化系统创建的。 Julia右侧的语言按基准测试结果的几何平均值排序，其中LuaJIT最快，而GNU Octave最慢。

朱莉娅基准

我们在这里看到的是，对于某些类型的操作，Julia代码可以比C快，而对于其他一些操作，它的速度却不超过C几倍。相比之下，R在某些操作中可能比C慢1000倍。

请注意，Julia最慢的测试之一是斐波那契递归。这是因为Julia目前缺乏尾递归优化。递归本质上比循环慢。对于要在生产环境中运行的真正Julia程序，您将需要实现此类算法的循环（迭代）形式。

朱莉娅JIT编译

与纯解释器相反，JIT（即时）编译器方法要付出代价：编译器必须先解析源代码并生成机器代码，然后代码才能运行。这可能意味着Julia函数在每个函数和宏第一次在会话中运行时就具有明显的启动时间。因此，在下面的屏幕截图中，我们看到第二次生成一百万个随机浮点数，所花费的时间比第一次执行时少一个数量级。 @time宏和rand()函数都需要通过代码进行第一次编译，因为Julia库是用Julia编写的。

julia> @time rand(10^6);
  0.62081 seconds (14.44 k allocations: 8.415 MiB)

julia> @time rand(10^6);
  0.004881 seconds (7 allocations: 7.630 MiB)

茱莉亚（Julia）粉丝各种各样地声称，它易于使用Python，R甚至Matlab。这些比较确实值得仔细研究，因为Julia语言优雅，强大并且面向科学计算，并且库提供了广泛的高级编程功能。

朱莉娅的例子

作为快速的Julia语言示例，请考虑以下Mandelbrot集基准代码：

朱莉娅·曼德布罗集 — 曼德布洛特（Mandelbrot）在茱莉亚（Julia）中树立了标杆。

如您所见，语言中内置了复数算法，测试和计时宏也是如此。您还可以看到，茱莉亚缺少困扰C语言的尾随分号和困扰Lisp语言的嵌套括号。请注意，在第61和62行中，两次调用了mandelperf() 。第一个调用测试结果的正确性并进行JIT编译；第二个电话获取时间。

朱莉娅编程

朱莉娅还有许多其他功能值得一提。首先，用户定义的类型与内置的类型一样快速且紧凑。实际上，您可以声明行为类似于泛型类型的抽象类型，只是它们针对传递的参数类型进行编译。

再者，Julia的内置代码矢量化意味着无需程序员对性能进行矢量化。普通的去矢量化代码速度很快。如果底层CPU上有SIMD指令和寄存器，则编译器可以利用它们，并在顺序过程中展开循环以在硬件允许的范围内对其进行向量化。您可以使用@simd批注将循环标记为可矢量化。

朱莉娅平行性

Julia还使用两个原语设计用于并行性和分布式计算：远程引用和远程调用。远程引用有两种形式： Future和RemoteChannel 。 Future相当于JavaScript的promise ; RemoteChannel是可重写的，可用于进程间通信，例如Unix pipe或Go channel 。假设您已经用多个进程启动了Julia（例如，针对八核CPU（例如Intel Core i7）的julia -p 8 ），则可以@spawn或@spawn remotecall()函数调用在另一个Julia进程上异步执行，然后再fetch()要同步并使用结果时返回的Future 。

如果不需要在多个内核上运行，则可以利用轻量级的“绿色”线程，在Julia中称为Task() ，在某些其他语言中称为协程。 Task()或@task与Channel结合使用，该Channel是RemoteChannel的单进程版本。

朱莉娅类型系统

Julia具有一个引人注目的功能强大的类型系统，该系统默认情况下具有运行时类型推断的动态功能，但允许可选的类型注释。这类似于TypeScript。例如：

julia> (1+2)::AbstractFloat
  ERROR: TypeError: typeassert: expected AbstractFloat, got Int64
julia> (1+2)::Int
  3

在这里，我们第一次断言一个不兼容的类型，从而导致一个错误，而第二次断言一个兼容的类型。

朱莉娅弦

Julia具有对以UTF-8格式存储的Unicode字符串和字符的有效支持，以及对ASCII字符的有效支持，因为在UTF-8中，小于0x80（128）的代码点被编码为单个字符。否则，UTF-8是可变长度编码，因此您不能假定Julia字符串的长度等于最后一个字符索引。

全面支持UTF-8意味着，除其他外，您可以轻松地使用希腊字母定义变量，这可以使科学的Julia代码看起来非常像公式的教科书解释，例如sin(2π) 。提供了transcode()函数来将UTF-8与其他Unicode编码进行相互转换。

C和Fortran函数

尽管您确实需要了解Fortran编译器发出的“修饰”函数名称，但是Julia可以直接调用C和Fortran函数，而无需包装或特殊API。外部C或Fortran函数必须位于共享库中。您可以使用Julia ccall()函数进行实际的ccall() 。例如，在类似Unix的系统上，可以使用以下Julia代码通过libc中的getenv函数获取环境变量的值：

function getenv(var::AbstractString)
     val = ccall((:getenv, "libc"),
                 Cstring, (Cstring,), var)
     if val == C_NULL
         error("getenv: undefined variable: ", var)
     end
     unsafe_string(val)
end

julia> getenv("SHELL")
  "/bin/bash"

朱莉娅宏

Julia具有类似于Lisp的宏，与C和C ++使用的宏预处理器不同。 Julia还具有其他元编程功能，例如反射，代码生成，符号（例如:foo ）和表达式（例如:(a+b*c+1) ）对象， eval()和生成的函数。 Julia宏在解析时进行评估。

另一方面，当已知函数的参数类型时，将在函数编译之前对其进行扩展。通过消除对运行时分派以支持参数多态性的需求，生成的函数具有通用函数（在C ++和Java中实现）的灵活性以及强类型函数的效率。

GPU支持

茱莉亚（Julia）使用MXNet深度学习软件包， ArrayFire GPU阵列库，cuBLAS和cuDNN线性代数以及深度神经网络库以及用于通用GPU计算的CUDA框架提供GPU支持。下图显示了Julia包装器及其各自的库。

朱莉娅GPU包 — 您可以使用许多Julia软件包来对不同抽象级别的GPU进行编程。

JuliaPro和Juno IDE

您可以从Julia语言站点下载适用于Windows，MacOS，通用Linux或通用FreeBSD的免费开源Julia命令行。您可以从GitHub克隆Julia源代码存储库。

或者，您可以从Julia Computing 下载JuliaPro 。除了编译器之外，JuliaPro还为您提供了基于Atom的Juno IDE（如下所示）和160多种精选软件包，包括可视化和绘图。

除了免费的JuliaPro之外，您还可以添加企业支持，定量财务功能，数据库支持和时间序列分析的订阅。 JuliaRun是用于集群或云的可伸缩服务器。

朱莉娅·朱诺·伊德 — Juno是基于Atom文本编辑器的免费Julia集成开发环境。

Jupyter笔记本和IJulia

除了将Juno用作Julia IDE外，您还可以将Visual Studio Code与Julia扩展一起使用（直接显示在下面），以及将Jupyter笔记本与IJulia内核一起使用（显示在下面的第二张和第三张屏幕截图中）。您可能需要为Python 2或（最好）与Anaconda或pip的Python 3安装Jupyter笔记本。

朱莉娅视觉工作室代码 — 具有Julia扩展名的Visual Studio代码。

朱莉娅·博克斯（JuliaBox）

您可以使用Julia Computing的另一种产品JuliaBox （如下所示）在Jupyter笔记本中在线运行Julia，而无需在本地计算机上进行任何安装。 JuliaBox当前包含300多个软件包，运行Julia 0.6.2，并包含数十个Jupyter教程笔记本。教程文件夹的顶级列表如下所示。 JuliaBox访问的免费级别使您可以使用三个CPU内核进行90分钟的会话；每月14美元的个人订阅可为您提供五个核心的四个小时的课程；每月70美元的专业版订阅可为您提供32个核心的八小时会话。截至2018年6月，尚未提供GPU访问权限。

julia juliabox教程 — JuliaBox在线运行Jupyter笔记本中的Julia。

朱莉娅套餐

朱莉娅“走路像Python，但跑起来像C。” 正如我的同事Serdar Yegulalp 在2017年12月所写的那样，Julia开始向Python挑战数据科学编程，这两种语言都有优势。为了说明Julia对数据科学的支持日趋成熟，请考虑已经有两本书《 朱莉娅·数据科学》 ，一本由Zacharias Voulgaris 撰写，另一本由Anshul Joshi撰写，尽管我不能说两本的质量一。

如果查看下面显示的来自Julia Observer的总体上评分最高的Julia软件包，您将看到Jupyter笔记本的Julia内核，Gadfly图形软件包（类似于R中的ggplot2 ），通用绘图界面，若干深度学习和机器学习包，微分方程求解器，DataFrames，纽约联储动态随机一般均衡（DSGE）模型，优化建模语言以及与Python和C ++的接口。如果您在此常规列表中走得更远，还可以找到QuantEcon，PyPlot，ScikitLearn，生物信息学软件包以及用于函数式编程的惰性列表的实现。

如果Julia软件包不能满足您的需求，并且Python接口不能满足您的需求，那么您还可以安装一个软件包，为您提供R（RCall）和Matlab的通用接口。

朱莉娅（Julia）用于金融分析师和量化

Quants和财务分析师将找到许多免费软件包，以加快工作速度，如下面的屏幕快照所示。此外，Julia Computing还提供了JuliaFin套件，其中包括Miletus （用于金融合同的DSL）， JuliaDB （高性能的内存和分布式数据库）， JuliaInXL （从Excel工作表中调用Julia）和Bloomberg连接（访问真实时间和历史市场数据）。

From: https://www.infoworld.com/article/3284380/what-is-julia-a-fresh-approach-to-numerical-computing.html

cxw9087

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
朱莉娅是什么？数值计算的新方法

Julia是一种用于数值计算的免费开源，高级，高性能，动态编程语言。它具有动态语言的开发便利性和已编译的静态类型语言的性能，这部分要归功于基于LLVM的JIT编译器可以生成本机机器代码，部分要归功于通过多专业化实现类型稳定性的设计dispatch ，可以轻松地将其编译为有效的代码。在2012年宣布Julia首次发布的博客文章中，该语言的作者Jeff Bezanson ， Stefan ...
复制链接

扫一扫