论文部分内容阅读
近日，Julia编程语言的1.0新版本一经推出就受到整个人工智能界的关注，其中最主要的原因就是它史无前例地结合了C 语言的速度、Ruby 的灵活、Python 的通用性，支持并行处理，易于学习与使用，尤其适合科学和工程的计算。正如Julia的创始人之一，Viral Shah所说：“如果你是数学家、科学家或是工程師，那么从前当你选择一门编程语言时，会从它的速度角度去考虑，比C++或Java，又或是从语言的易学程度出发，就像Matlab、R或者是Python。而我们创造了一种两者兼备的语言，就是Julia。”
随着人工智能中机器学习的发展，科学界对于计算的速度和性能的要求越来越高，而目前许多编程语言都存在各自的局限性。Julia的研究团队野心勃勃，希望能够博采众长，吸取各家编程语言的特点，正如 Julia 团队发表的讲话中所言：“我们想要一种拥有自由许可，开放源码的语言，我们希望它拥有C语言的速度，R语言的动态；易于理解，带有真实口语指令，同时拥有Matlab一样清晰的数学符号，如Python一样的通用，R简捷的统计功能，Perl自然的字串，并且是交互式和可编译的。”
为提高速度，Julia团队研究了所有导致大多数动态语言变慢的因素，并仔细研究可以消除哪些因素。比如，动态语言通常允许数组元素和对象字段保存任何类型的值。然而，研究表明，即使在这些语言中，具有常量类型的同构数组和字段也非常普遍。所以，他们在设计 Julia 时利用了这一点，更容易添加类型限制，并在任何可能的情况下默认使用类型统一的集合。
一个充满活力，欣欣向荣的地区往往是围绕着一种语言而生的，世界各地的人们在不断地精炼和塑造Julia，最终达到研究人员所期望的目标。Julia 项目由麻省理工学院教授 Alan Edelman 领导，其大部分关键发展成果都来自麻省理工学院的 Julia 实验室，也有超过 700 名志愿者参与了 1.0 版本的制作。经过大量的修正完善，目前的1.0版本具有以下的特点：
快速：Julia自设计之初就施行最高标准操作， 通过LLVM 为多平台编译有效本地代码。
通用性：运用多种调配手段，Julia可以更加简单地表达多种以目标为导向、功能性的编程模式，比如提供异步I/O 、过程控制、登录、性能分析、程序安装管理等等。
动态： Julia 是被动态输入的， 就像是一种脚本语言，对于互动作用有很强的支撑作用。
科技：Julia擅长带有语法的数字运算，适用于数学领域，包含多种数值数据类型。Julia的多种调配是定义数字和类数组数据的一个自然适应过程。
可选择性： Julia拥有丰富的描述性数据，选择范围多样，可用于阐明和巩固程序。
可组合：Julia的数据包可以自然地组合在一起工作。
围绕着Julia 1.0 的新功能，研究人员有针对性地建立了一些新的外部程序包，比如数据处理，以及修补后的操作系统。利用新的缺损支持技术，Julia 1.0最重要的新功能就是承诺语言API（应用程序接口）的稳定性：在1.0系统中书写的编码在未来的1.1、1.2 系统中仍然可以继续使用，语言可以被完全拷贝。
另外，异类结构支撑也得到大幅度的提升，Julia编译器从内部构件被进一步的解耦。Intel KNL系列硬件可直接使用Julia，Nvidia的GPU 也可以通过CUDAnative.jl来直接编程（无须编写CUDA代码），而 支持Google TPU的接口也在进一步的研发中。
不过，Julia 1.0的新特点不仅仅体现在稳定性方面，同时还推出了多种新型、强大的创新语言功能。比如：
全新的嵌入程序包极大地提升了性能，相比过去安装程序和其他操作更加便捷。同时，支持单项程序的环境，记录正在工作程序的精准状态，可能是与他人共享的程序，亦或是与未来的工作有关。最后，重新设计的部分包括对私人程序包和程序储藏进行无缝技术支持。用户可以使用常用的开源程序体系中的工具安装和管理私人程序包。
Julia 对于缺失值拥有全新的规范表示。能够代表和处理缺失数据对于统计和数据科学是至关重要的部分。在过去版本的Julia中，联合体的性能较慢，1.0版本中的速度已经可以匹敌C或C++系统中缺失数据表示的速度，同时更加通用和灵活。
带有适当语法的传播是语言的核心特点之一。Julia1.0很容易扩展传播范围，在GPUs（图形处理器）和其他向量化硬件上定制类别，完善最有效的技术指令，为未来进一步的性能升级奠定基础。
除了高性能，Julia 还有一些与众不同的特性。比如，Julia 能够访问异常广泛的编程堆栈。你可以利用良好的性能操作比特和字节（并查看汇编代码），同时也可以处理高阶函数、设计宏定义、进行面向对象编程，所有这一切都可以很好地融合在一起。
除了上述特点， 研究人员为Julia的代码转换注入重要机制，可以使Julia进行事后分析（post-hoc analysis）并且实现原有代码的扩展。越过程序员的指令，如分析、调试，最终可以完成机器学习中的自动微分（Automatic Differentiation），对于机器学习而言，Julia还可以对硬件加速器上的原生代码生成，提供很好的支持。无论是深度学习、机器学习还是 AI 方面，Julia 的数学语法使其成为理想的表达算法，支持 GPU 加速和处理数 TB 的数据。同时，丰富的机器学习生态系统还提供监督学习算法（如回归、决策树）、无监督学习算法（如聚类）、贝叶斯网络和马尔可夫链蒙特卡罗包等。
从实际应用来说，Julia 已经用于自动驾驶汽车、机器人和 3D 打印机，还广泛应用于精准医疗、增强现实、基因组学及风险管理。在用户方面，Julia 的下载量已经超过 200 万次。作为一种开放源码语言，很难将这个数字转换为真实用户数量。此外，在 Julia Computing 方面，已经有来自 700 所大学和 1000 多家公司的用户下载或使用了 Julia。
根据 Julia 研究人员所说，在7项基础算法的测试中，Julia 比 Python 快 20 倍，比 R 快 100 倍，比 Matlab 快 93 倍。现在，Julia 语言主要应用在科学领域，下载对象包括谷歌、脸书和美国能源部等机构。未来，Julia 很可能扩展其目标人群，应用于更多领域，成为世界主流的编程语言。
编译自Julialang官网
（责任编辑 姜懿翀）
研发的初衷
随着人工智能中机器学习的发展，科学界对于计算的速度和性能的要求越来越高，而目前许多编程语言都存在各自的局限性。Julia的研究团队野心勃勃，希望能够博采众长，吸取各家编程语言的特点，正如 Julia 团队发表的讲话中所言：“我们想要一种拥有自由许可，开放源码的语言，我们希望它拥有C语言的速度，R语言的动态；易于理解，带有真实口语指令，同时拥有Matlab一样清晰的数学符号，如Python一样的通用，R简捷的统计功能，Perl自然的字串，并且是交互式和可编译的。”
为提高速度，Julia团队研究了所有导致大多数动态语言变慢的因素，并仔细研究可以消除哪些因素。比如，动态语言通常允许数组元素和对象字段保存任何类型的值。然而，研究表明，即使在这些语言中，具有常量类型的同构数组和字段也非常普遍。所以，他们在设计 Julia 时利用了这一点，更容易添加类型限制，并在任何可能的情况下默认使用类型统一的集合。
Julia 1.0的新特性
一个充满活力，欣欣向荣的地区往往是围绕着一种语言而生的，世界各地的人们在不断地精炼和塑造Julia，最终达到研究人员所期望的目标。Julia 项目由麻省理工学院教授 Alan Edelman 领导，其大部分关键发展成果都来自麻省理工学院的 Julia 实验室，也有超过 700 名志愿者参与了 1.0 版本的制作。经过大量的修正完善，目前的1.0版本具有以下的特点：
快速：Julia自设计之初就施行最高标准操作， 通过LLVM 为多平台编译有效本地代码。
通用性：运用多种调配手段，Julia可以更加简单地表达多种以目标为导向、功能性的编程模式，比如提供异步I/O 、过程控制、登录、性能分析、程序安装管理等等。
动态： Julia 是被动态输入的， 就像是一种脚本语言，对于互动作用有很强的支撑作用。
科技：Julia擅长带有语法的数字运算，适用于数学领域，包含多种数值数据类型。Julia的多种调配是定义数字和类数组数据的一个自然适应过程。
可选择性： Julia拥有丰富的描述性数据，选择范围多样，可用于阐明和巩固程序。
可组合：Julia的数据包可以自然地组合在一起工作。
围绕着Julia 1.0 的新功能，研究人员有针对性地建立了一些新的外部程序包，比如数据处理，以及修补后的操作系统。利用新的缺损支持技术，Julia 1.0最重要的新功能就是承诺语言API（应用程序接口）的稳定性：在1.0系统中书写的编码在未来的1.1、1.2 系统中仍然可以继续使用，语言可以被完全拷贝。
另外，异类结构支撑也得到大幅度的提升，Julia编译器从内部构件被进一步的解耦。Intel KNL系列硬件可直接使用Julia，Nvidia的GPU 也可以通过CUDAnative.jl来直接编程（无须编写CUDA代码），而 支持Google TPU的接口也在进一步的研发中。
不过，Julia 1.0的新特点不仅仅体现在稳定性方面，同时还推出了多种新型、强大的创新语言功能。比如：
全新的嵌入程序包极大地提升了性能，相比过去安装程序和其他操作更加便捷。同时，支持单项程序的环境，记录正在工作程序的精准状态，可能是与他人共享的程序，亦或是与未来的工作有关。最后，重新设计的部分包括对私人程序包和程序储藏进行无缝技术支持。用户可以使用常用的开源程序体系中的工具安装和管理私人程序包。
Julia 对于缺失值拥有全新的规范表示。能够代表和处理缺失数据对于统计和数据科学是至关重要的部分。在过去版本的Julia中，联合体的性能较慢，1.0版本中的速度已经可以匹敌C或C++系统中缺失数据表示的速度，同时更加通用和灵活。
带有适当语法的传播是语言的核心特点之一。Julia1.0很容易扩展传播范围，在GPUs（图形处理器）和其他向量化硬件上定制类别，完善最有效的技术指令，为未来进一步的性能升级奠定基础。
除了高性能，Julia 还有一些与众不同的特性。比如，Julia 能够访问异常广泛的编程堆栈。你可以利用良好的性能操作比特和字节（并查看汇编代码），同时也可以处理高阶函数、设计宏定义、进行面向对象编程，所有这一切都可以很好地融合在一起。
机器学习领域的应用
除了上述特点， 研究人员为Julia的代码转换注入重要机制，可以使Julia进行事后分析（post-hoc analysis）并且实现原有代码的扩展。越过程序员的指令，如分析、调试，最终可以完成机器学习中的自动微分（Automatic Differentiation），对于机器学习而言，Julia还可以对硬件加速器上的原生代码生成，提供很好的支持。无论是深度学习、机器学习还是 AI 方面，Julia 的数学语法使其成为理想的表达算法，支持 GPU 加速和处理数 TB 的数据。同时，丰富的机器学习生态系统还提供监督学习算法（如回归、决策树）、无监督学习算法（如聚类）、贝叶斯网络和马尔可夫链蒙特卡罗包等。
从实际应用来说，Julia 已经用于自动驾驶汽车、机器人和 3D 打印机，还广泛应用于精准医疗、增强现实、基因组学及风险管理。在用户方面，Julia 的下载量已经超过 200 万次。作为一种开放源码语言，很难将这个数字转换为真实用户数量。此外，在 Julia Computing 方面，已经有来自 700 所大学和 1000 多家公司的用户下载或使用了 Julia。
根据 Julia 研究人员所说，在7项基础算法的测试中，Julia 比 Python 快 20 倍，比 R 快 100 倍，比 Matlab 快 93 倍。现在，Julia 语言主要应用在科学领域，下载对象包括谷歌、脸书和美国能源部等机构。未来，Julia 很可能扩展其目标人群，应用于更多领域，成为世界主流的编程语言。
编译自Julialang官网
（责任编辑 姜懿翀）