[[438705]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

PyTorch社區最近有一種聲音：下個版本應該拋棄Python改用Julia語言。

現在就連PyTorch團隊內部也會拿這個說法來開玩笑。

對這個問題，核心開發成員中的Edward Yang在論壇上作出過一些回應。

他認為PyTorch的確越來越像Julia了，比如借鑒Julia的多重分派特性開發了Pytorch Dispatcher。

PyTorch總體的發展方向也和Julia的愿景一致，也就是同時具備拓展性、易用性和執行性能。

一方面PyTorch的底層代碼后期用C++重寫以獲得更好的性能，另一方面functorch、fx等新功能又讓用戶可以直接使用Python做以前必須借助C++完成的工作。

那為什么不直接改用Julia呢？

害，其實是舍不得Python那無可替代的生態。

當初從原版Torch使用的Lua改用Python就是看中了生態這一點。這么多年過去了其他語言生態連一點可能超過Python的跡象都沒有。

簡而言之，Julia語言本身的特性和Python的生態他們全都要，向Julia的優點學習也是團隊未來的努力方向。

那么，Julia這種語言到底好在哪，讓PyTorch開發團隊都向它學習？

面向科學計算設計的語言

Julia來自麻省理工CSAIL實驗室，設計初衷就是想要一個既有C的速度又有Ruby的動態性、既能像Matlab一樣使用數學表達式又有Python的通用性。

Julia要能像Perl一樣自然地處理字符串、像R一樣適用于統計，像Shell一樣作為膠水語言去和其他語言交互。

要有Hadoop的并行計算能力，又不想要那些繁雜的配置。

最后做出來的Julia采用即時編譯（Just In Time），速度比需要解釋器的Python快得多，又沒有失去交互性。

通過多重分派（Multiple Dispatch）特性來實現類型穩定又不時腳本語言的簡潔靈活。

同一個函數名對不同參數類型的調用分派不同的操作，因為適合處理多種數據類型還被PyTorch給學了去。

具體到機器學習來說，Julia執行各類算法包括矩陣運算的速度都比Python快得多。

Julia生態里也有自己的開源深度學習框架Julia Flux。

此外Julia還在語法上對線性代數、數據處理這些場景有額外的優化。

比如支持Unicode數學符號，數字乘以變量時候可以省略「*」，以及索引從1而不是0開始更符合人類直覺….

Julia代碼可以寫成這樣：

α = 0.5  
∇f(u) = α*u; ∇f(2)  
sin(2π) 

以至于有些數學背景的開發者認為，Julia代碼寫起來就像在黑板上做數學題一樣的，很親切。

相比之下，用Python做矩陣運算感覺就……不是那么好。

Python:

np.dot(array1,array2) 

Julia：

array1 .* array2 

Julia的歷史可以追溯到2009年，由于想實現的功能太多，直到2018年才對外發布1.0正式版。

不過最近幾年Julia已迅速被金融、醫藥、航天等一些行業接受，使用者包括摩根大通、輝瑞、NASA等。

Julia改變了過去他們只能用C等高性能語言做底層開發、同時用高易用性的Python等語言做擴展開發的割裂問題。

今年7月，Julia創始團隊成立的公司Julia Computing還獲得2400萬美元的A輪融資。

Julia語言速度快、天生適合機器學習又在高速成長，也難怪PyTorch社區會有用Julia替代Python的聲音出現。

有人認為Python是一種糟糕的語言，雖然有優秀的生態，但生態中對機器學習最有價值的部分（Numpy）其實是用C實現的。

Python生態雖然強大，但人們對其中的混亂也有不少詬病，各種重復開發的包管理系統讓配置好Python開發環境都不是一件容易事。

相比之下，Julia的包管理方案就很統一，雖然有可能是還在起步階段沒來得及混亂。

也有人認為Python這些所謂的缺點其實正是它流行的原因。

像Python、Javascript和PHP這種看起來糟糕的語言，正是因為能夠輕松的編寫糟糕代碼，降低了門檻而流行。

這位要提醒大家Julia自身就帶有和其他語言的交互功能，他平常會在Julia代碼里調用Huggingface的Python模型作開發，兩種生態都用上才是墜吼的。

最后，有人很不理解PyTorch開發團隊不選擇遷移到Julia的做法，既然Julia語言有所有他們需要的特性，還要花時間在Python里重新造輪子是自找麻煩。

另一位的視角有些微妙的不同：

這正是PyTorch團隊想把方便留給用戶，而把麻煩留給自己。對這種態度我很感激。