開發(fā)人員親自上場：Julia語言搞機器學習和Python比，哪個好用？
2022 年，你會選擇哪種編程語言呢？
前幾年就流傳著這樣一種說法：Julia會替代 Python，成為新的最受歡迎的編程語言之一。我們暫且對這種說法持觀望態(tài)度，但作為科學計算方面的強大工具，Julia優(yōu)勢已然顯現(xiàn)，這意味著程序員的選擇又多了一種。
在數(shù)據(jù)科學、人工智能等領(lǐng)域，仔細對比Julia和 Python，我們會發(fā)現(xiàn)：相同的任務(wù)，只要 Python 能實現(xiàn)的的，Julia都可以做，而且效率高得多，語法也簡潔優(yōu)雅，只是在傳播度上，名氣還不如 Python。
近日，reddit 上的一則熱帖引來廣大網(wǎng)友的討論，這個帖子提到，最近，一些Julia語言包的開發(fā)人員討論了Julia中 ML 的當前狀態(tài)，并將其狀態(tài)與 Python ML 生態(tài)系統(tǒng)進行了比較。
原貼地址：
https://www.reddit.com/r/MachineLearning/comments/s1zj44/r_julia_developers_discuss_the_current_state_of/
來自烏得勒支大學的 JordiBolibar 認為，「Julia確實在機器學習方面擁有巨大的潛力，但它目前的狀態(tài)有點喜憂參半。更具體地說，我在 SciML 中堅持使用Julia的主要原因是，DifferentialEquations.jl 庫工作得非常好，但在 Python 中沒有發(fā)現(xiàn)任何類似的東西。然而，對于我的研究來說，真正痛苦的是 AD 部分。自從我開始使用Julia，我在 Zygote 中遇到了兩個錯誤，這使我的工作速度減慢了幾個月。但我仍然認為Julia是 SciML 的最佳選擇，但這些庫（及其文檔）應(yīng)該優(yōu)化的更加用戶友好?！?/p>
網(wǎng)友 @jgreener64 表示：「Julia中的 ML 在某些領(lǐng)域應(yīng)用非常強大，Julia一切皆有可能。Julia面臨的問題是：Julia中的 ML 需要大量現(xiàn)有知識或大量時間搜索 / 反復(fù)試驗。在個人層面上，我目前正在用Julia開發(fā)新穎的可微分算法。」
除了網(wǎng)友的熱烈討論外，Julia軟件包開發(fā)人員 Christopher Rackauckas 圍繞以下 7 個問題，解答了網(wǎng)友比較關(guān)心的內(nèi)容。Rackauckas 是 MIT 和馬里蘭大學的數(shù)學家和藥理學家，主要用Julia進行編程。Rackauckas 為Julia、數(shù)學和隨機生物學開了專門博客，來介紹相關(guān)內(nèi)容，并且 Rackauckas 在Julia中開發(fā)了一些庫，包括（但不限于）DifferentialEquations.jl 和 Pumas。
Christopher Rackauckas
問題包括：
-
今天Julia中的 ML 在哪些地方真正大放異彩？在不久的將來該生態(tài)系統(tǒng)在哪些方面優(yōu)于其他流行的 ML 框架（例如 PyTorch、Flax 等），為什么？
-
目前Julia的 ML 生態(tài)系統(tǒng)在功能或性能方面存在哪些缺點？Julia在這些領(lǐng)域變得具有競爭力的時間節(jié)點在哪？
-
Julia的標準 ML 包（例如深度學習） 在性能方面與流行的替代方案相比如何（更快、更慢、相同數(shù)量級）？
-
有沒有重要的Julia實驗，可以針對流行的 ML 替代方案進行基準測試？
-
如果一家公司或機構(gòu)正在考慮創(chuàng)建職位來為Julia的 ML 生態(tài)系統(tǒng)做出貢獻，有沒有最佳案例？為什么他們應(yīng)該這樣做？哪些貢獻最有影響力？
-
為什么與其他框架合作的獨立開發(fā)人員應(yīng)該考慮為Julia的 ML 生態(tài)系統(tǒng)做出貢獻？
-
對于某些特定任務(wù)，Julia開發(fā)人員傾向于使用哪些軟件包？Julia開發(fā)人員希望添加目前不存在的哪些內(nèi)容？
下文中我們挑選了幾個大家比較關(guān)心的問題進行報道：
問題 3：Julia在「標準 ML」中的表現(xiàn)如何？
Julia的內(nèi)核速度很好：在 CPU 上，我們做得非常好，在 GPU 上，每個人都只是調(diào)用相同的 cudnn 等；Julia的 AD 速度也很好。不過 Zygote 可能會有一些開銷，但與 Jax/PyTorch/TensorFlow相比，Zygote 在大多數(shù)情況下速度是很快的。具體來說，PyTorch 開銷要高得多，在標準 ML 工作流程中甚至無法測量。一個足夠大的矩陣乘法會解決分配問題或其他 O(n) 問題；Julia不融合內(nèi)核，因此在大多數(shù)基準測試中，如果用戶查看它，就會發(fā)現(xiàn)它沒有融合 conv 或 RNN cudnn 調(diào)用。
問題 4：我們應(yīng)該跟蹤哪些重要的實驗和基準？
XLA 的分布式調(diào)度器非常好。當我們考慮擴展時，我們應(yīng)該忽略 PyTorch，去考慮 DaggerFlux 與TensorFlow/Jax。XLA 有更多的靈活性來改變操作，所以我認為 XLA 才是贏家，我們需要使用 e-graphs 技巧來匹配它。另一件需要注意的事情就是「自動微分中缺少中間部分」，這種情況還需要解決。
問題 7：有什么推薦的軟件包？
我傾向于在需要時使用 Flux，但大家還是盡量使用 DiffEqFlux。就現(xiàn)有內(nèi)核而言，F(xiàn)lux 是最完整的，但它的風格讓我感到厭煩。我希望有一個 Flux 不使用隱式參數(shù)，而是使用顯式參數(shù)。我希望這些參數(shù)由 ComponentArrays 表示。
