Julia和Ray统一科学计算与tensorflow和mxnet及pytorch

相信很多人已经开始着手这个必必将成为新一代语言工具的语言julia，根据julia数据科学应用这本书的相关介绍及官网上的资料，使用这门语言可以让我们进一步的计算更加高效，那么怎么和深度学习与机器学习结合目标已经有资料解决这个问题。
tensorflow.jl基于tensorflow封装了julia的开发类包
https://github.com/malmaud/TensorFlow.jl
安装和简单的演示实验：
pkg.add("TensorFlow")
使用GPU支持服务
ENV["TF_USE_GPU"] = "1"
pkg.build("TensorFlow")
例子
using Tensorflow
sess = Tensorflow.Session( )

x = Tensorflow.constant(Float64[1,2])
y = Tensorflow.Variable(Float64[3,4])
z = Tensorflow.placeholder(Float64)
w = exp(x + z + -y)

run(sess,tensorflow.global_variables_initializer())
res = run(sess,w,Dict(z =>Float64[1,2]))
Base.Test.@test res[1] = exp(-1)
Maxnet的julia包
https://github.com/dmlc/MXNet.jl)julia
pytorch 的julia是将pytorch转化为flux.jl
https://philtomson.github.io/blog/2018-06-15-translating-pytorch-models-to-flux.jl-part1-rnn/

https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details/79029868?utm_source=blogxgwz1
https://github.com/ray-project/ray