目前其追随者和使用其的开发人员日益增多。Julia广泛支持线程和同步旨在最优化性能、降低竞争风险。综上，Julia是数据科学和机器学习工作的最佳选择，两者原因大致相同，即它在数值快速计算方面最为适用。这一问题存在诸多争议。其中权值、特征和偏差向量的线性组合必须超过某个阈值才能传播到下一层。平均花费时长超过1秒钟。
全文共3967字，预计学习时长12分钟
图源：Unsplash
Julia是什么？
“操作似Python，运行如C语言”。
没错，这就是Julia素有的口号。
Julia作为一种现代编程语言，主攻科学计算，它是一种灵活的动态型语言，其性能可与传统的静态型语言相媲美。目前其追随者和使用其的开发人员日益增多。
Julia试图提供一种单一环境，此环境的生产能力足以进行原型设计，并能有效地应用于工业级应用程序。它是一种多范式语言，其中包含函数式和面向对象式编程组件，尽管大多数的用户都喜欢其函数式编程的功能。
该编程语言的起源可追溯至2009年。首席开发人员Alan Edelman、Jeff Bezanson、Stefan Karpinski和Viral Shah着手创建该语言，以用于更快更好的数值计算。2012年2月，开发人员发布了该语言的一个商业版本。
为什么Julia对数据科学而言如此优越？
Julia是数据科学和机器学习工作的最佳选择，两者原因大致相同，即它在数值快速计算方面最为适用。优点如下：
· 平滑的学习曲线和大量的基础功能。特别是，如果你已经很熟悉如Python、R语言等更为热门的数据科学语言后，学习Julia就好似在公园中散步一样容易。
·性能：Julia最初是一种编译语言，而Python和R语言是解释语言。这就意味着Julia代码以可直接处理代码的形式在处理器上运行。
· GPU支持：这与性能直接相关。GPU支持由某些软件包，如TensorFlow.jl和MXNet.jl公开控制。
· 分布式和并行式计算支持：Julia使用多种拓扑公开执行并行式与分布式计算。它还支持协同程序，比如在GO编程语言中，协同程序是在多核架构中并行工作的辅助函数。Julia广泛支持线程和同步旨在最优化性能、降低竞争风险。
· 丰富的数据科学与可视化库：Julia社区认为其是数据科学家和统计学家的首选语言。因此，主攻数据科学与分析的高性能库一直处于开发状态。
· 团队合作（与其它语言/框架共同使用）：在数据科学和机器学习领域，Julia和其它成熟语言及框架的兼容性相当好。使用PyCall或RCall可以在Julia脚本中使用本地Python或R语言代码。Plots包可以与包括Matplotlib和Plotly的各种端协同工作。Scikit-learn或TensorFlow等热门机器学习库已经具有类似Julia的语言或包装器。
· 用户友好的界面：不论是在本地还是云上，Julia 的用户界面都非常友好，在所有的流程中，用户与 Julia 的交流都非常顺畅。Julia 还对所有的功能和数据类型提供了方便易用的帮助文件。
· 与其他语言无缝对接：这些语言包括（但不限于）R、Python 和 C。这使你不需要进行完整的迁移，就可以使用现有的代码库。
综上，Julia是数据科学和机器学习工作的最佳选择，两者原因大致相同，即它在数值快速计算方面最为适用。
具体案例与比较，Julia优势一目了然
使用Python脚本进行基准测试
有关“Julia比Python速度快吗？”这一问题存在诸多争议。
与生活中其它事情类似，答案是：视情况而定。
图源：Unsplash
官方Julia语言门户网站上有些相关数据，尽管基准测试是针对Python以外的各种语言进行的。
事实上，这个问题总是认为人们所谈论的是Julia与某种优化/矢量化Python代码（如Numpy函数所使用的）之间的对比。否则，本地Julia由于执行编译代码，速度几乎总是比Python快。同时，本地Python比执行Numpy类型慢得多。
Numpy速度真的很快。它是一个拥有超优化函数（大多已预编译）的库，专注于为Python用户提供（对数据科学家和机器学习工程师特别有用）接近C语言的速度。简单的Numpy函数，如求和或标准差函数可以较好地匹配或打败Julia等效组件（特别是较大的数组）。
然而，想要充分利用Numpy函数，必须要考虑代码的矢量化。在程序中，一直以矢量化代码的形式编写复杂逻辑很不容易。
因此，在将复杂逻辑应用于某种处理数组的情况下时，应该对Julia进行速度对比。
本文中将展示几组相似例子以对这一点进行解释。
然而，想要充分利用Numpy函数，必须要考虑将代码矢量化。
对于for循环，Julia远胜于Python
计算一百万个随机整数的和以验证这一点。
Julia代码如下。此函数所需时长稍多于1毫秒。
Python代码如下。我们保留代码的函数特性（Julia是函数语言）以保持对比的公平性，且便于验证。For循环所需时长竟超过200毫秒！
但如何将Julia数组与Numpy数组进行比较呢？
在以上代码中，创建一个数组变量。对于数据科学而言，这就是Julia中用途最大的数据结构，因为它能直接进行统计计算或线性代数运算。
无需单独的库或任何东西。Julia数组比Python列表快好几个数量级。
但是，Numpy数组速度很快，一起对同样的求和运算进行基准测试。
下方的Julia代码使用数组上的sum（）函数。它花费的时长约为451微秒（比for循环方法快，但只有一半的时间）。
下图是由Numpy执行。
天哪！Numpy仅需353微秒，它的速度打败了Julia，而且比本地的Python for循环代码快了近628倍。
所以，这一有利于Numpy的结论已经确定了吗？
还没那么快。如果只想求出数组中奇数之和呢？
无需单独的库或任何东西。Julia数组比Python列表快好几个数量级。
请看逻辑
对Julia而言，代码更改相当简单。本文将只使用for循环，检查数组中的元素是否能被2整除，如果不能（奇数），则将其添加至运行总和之中。尽可能地学究一点！
所以，这需要运行近4毫秒。的确是比盲和（使用for循环）慢，但也没慢太多（for循环的纯和约为1.1毫秒）。
现在，当然不能用这种速度与Python for循环竞争！结果显而易见，不是吗？所以，必须使用Numpy将代码矢量化。
但是，该怎么检查奇数，然后在Numpy数组中对奇数求和呢？多亏有np.where()这一方法。
下图是Python代码。没那么简单（除非你知道如何正确使用np.where），是吗？
但看一看速度。即使采用单行矢量化代码的Numpy方法，平均用时也需16.7毫秒。
Julia代码更为简单，运行速度更快！
另一项略为复杂的运算
假设有三个数组（称之为W、X和B），随机浮点数在-2到2之间，想要计算一个特殊量：其中两个数组的乘积与第三个数组相加，即A.X B，但只有当元素的线性组合大于零时，才会将这个值添加到最终的和之中。
这个逻辑看着熟悉吗？它是任何紧密连接的神经网络（甚至是单个感知器）的变体。其中权值、特征和偏差向量的线性组合必须超过某个阈值才能传播到下一层。
下图是Julia编码。再一次地它的表现堪称简洁、完美。仅花费了约1.8毫秒。它使用了一个名为muladd()的特殊函数，该函数将两数字相乘并将数值与第三个数字相加。
使用Python以相似代码（进行for循环）进行尝试，结果同预期一样，惨不忍睹！平均花费时长超过1秒钟。
再来一次，创新一下，使用Numpy矢量化代码，结果比for循环案例要好得多，时长约为14.9毫秒，但还是不如Julia。
那么，结果如何呢？
至此，趋势愈加明显。对于数值运算，进行某些数学运算之前需要检查复杂逻辑，Julia轻松地击败了Python(甚至Numpy)，因为编写逻辑时可以使用Julia中最简单的代码，然后把它忘掉。
得益于即时（JIT）编译器和内部类型相关优化，它仍将以惊人的速度运行（Julia有一个极其复杂的类型系统，可以使程序根据每个变量的正确数据类型快速运行，并优化代码和相应内存）。
使用本地Python数据结构和for循环编写相同代码的速度非常慢。随着复杂程度提高，即使使用Numpy矢量化代码，速度也远低于Julia。
Numpy非常适合已经附带如sum（）或mean（）或std（）等简单方法的数组，但使用这些方法的同时还需使用逻辑，这并不简单，还会严重拖慢运算速度。
在Julia中，无需费心思考代码的矢量化。即使是看起来很愚蠢的代码，使用简单的for循环和元素对元素的逻辑检查，运行速度也会非常快！
对于数值运算，进行某些数学运算之前需要检查复杂逻辑，Julia轻松地击败了Python(甚至Numpy)，因为编写逻辑时可以使用Julia中最简单的代码，然后便无需在意。
总结本文展示了Julia和Python本地代码与已优化的Numpy函数之间数值运算的比较基准测试。
尽管就简单函数而言，Numpy与Julia的速度不相上下，但在计算问题中引入复杂逻辑时，Julia更胜一筹。Julia代码的编写十分简单，无需考虑函数的向量化。
随着数据科学与机器学习支持系统的不断发展，Julia是未来最令人期待的新语言之一。它是一个工具，是初级数据科学家都应掌握的技能。
图源：Unsplash
你心动了吗？快来试试备受褒奖的Julia吧~
使用 Julia 从零开始构建一项完整的数据科学应用。
你准备好了吗？
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范
,
