Julia新版发布比Python更适合科学计算的语言

Julia 1.5 版发布，带来了一系列的新特性，还有新的库功能，有兴趣的可以去官网了解。在之前的 Julia 系列中我们介绍了：

Julia强悍的性能

Julia简洁方便的数据可视化

Julia可视化

这里我们由浅入深，主要介绍三个主题，如下：

Julia科学计算小案例

科普一下阿兰图灵研究院（MLJ.jl的出处）

Julia的三大框架

Julia 计算小案例

Julia 为科学运算而生，简洁清晰的语法，让上手变得十分容易。Julia 的包从天文、地理、化学、金融、机器学习等，满足绝大多数行业的应用场景。

在命令行运行一个简单的示例，如下：

f(x) = 2x^3 + 3x^2 - pi^(x)

带入一个值，如下：

f(3)

即可获得答案，如下：

49.99372331970018

数字折线图

用Julia 读取一个文件，并用简洁明了的折线图呈现，文件内容如下：

Mygrapha b c13 45 1334 16 5412 56 11

用三条线来反应a、b、c，a就是 (13, 34, 12)三个点的集成. 图表命名为“Mygraph”。并将输出保存为文件“JuliaPlot.png”，代码如下：

# Mygraph# a b c# 13 45 13# 34 16 54# 12 56 11using Plots # 导入包 'Plots'file = readlines(ARGS[1]) # 读取文件gtitle = popfirst!(file) # 获取第一行titlel = popfirst!(file)l = split.(l)l = string.(l)labels = hcat(l...)# 保存文件results = [parse.(Float64, i) for i in split.(file)]plot(transpose(hcat(results...)), title = gtitle, label = labels)savefig('JuliaPlot.png')

运行后，呈现如下：

折线图

Julia机器学习三大框架

Julia 有很多框架，这里我只介绍熟悉的三个，如下：

Flux.jl 是一个优雅的框架，使用的是Julia原生库dataframes等。构建复杂的数据处理管道，集成Flux模型非常容易。官方一直在维护，迭代比较频繁，文档也很齐全。

MLJ.jl 是阿兰图灵研究院推出，是一个有弹性的框架。提供了自动调整参数、自动微分、整合 Tables.jl 等等多种的功能。可以将其他机器学习的模块以外挂的形式整合，包含刚说的Flux、还有主流的XGBoost、LIBSVM等着名的机器学习框架。

Gen.jl 跟Julia语言一样，也是由麻省理工推出的概率编程系统。鲁棒回归以及基于深度图像的 3D 人体姿态估计等问题上，Gen效果都很不错。

Gen人体3D姿势

Gen 贝叶斯线性回归例子

这是一个贝叶斯线性回归例子。给定（x, y）平面上的一组数据点，拟合这些数据点的线。

定义一个生成模型：利用额外语句扩展的 Julia 函数，即从概念上模拟一个假数据集。下面的模型对 slope 和 intercept 参数进行采样。然后 x 轴上的参数可以作为输入，且对相应 y 轴进行采样。将所做的随机选择命名为 @trace，这样就可以在推理程序中引用这些选择。

using Gen@gen function my_model(xs::Vector{Float64})slope = @trace(normal(0, 2), :slope)intercept = @trace(normal(0, 10), :intercept)for (i, x) in enumerate(xs)@trace(normal(slope * x + intercept, 1), 'y-$i')endend

编写了一个推理程序，用于操纵模型的 Execution Traces。推理程序是常规的 Julia 代码，并利用 Gen 的标准推理库。下面的推理程序会输入数据集，并迭代地运行 MCMC 算法，以拟合 slope 和 intercept 参数：

function my_inference_program(xs::Vector{Float64}, ys::Vector{Float64}, num_iters::Int)constraints = choicemap() for (i, y) in enumerate(ys)constraints['y-$i'] = yend # 运行这个模型(trace, _) = generate(my_model, (xs,), constraints)for iter=1:num_iters (trace, _) = metropolis_hastings(trace, select(:slope))(trace, _) = metropolis_hastings(trace, select(:intercept))endchoices = get_choices(trace)return (choices[:slope], choices[:intercept])end

得到结果如下：

xs = [1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]ys = [8.23, 5.87, 3.99, 2.59, 0.23, -0.66, -3.53, -6.91, -7.24, -9.90](slope, intercept) = my_inference_program(xs, ys, 1000)println('slope: $slope, intercept: $intercept')阿兰图灵研究院

刚刚讲过MLJ.jl是有阿兰图灵研究院推出的，这里就科普一下这所牛气的研究院。

阿兰·图灵研究院（Alan Turing Institute）是由剑桥、牛津、爱丁堡、华威和伦敦大学学院五所大学领导，主攻大数据分析及应用研究。

商业创新及技术部国务大臣 Vince Cable 宣布，将联合领导总部位于伦敦大英图书馆旁的阿兰·图灵研究所，派出专家及精英学者进行尖端数学、计算机技术领域的研究，旨在将英国建设为世界上领先的大数据分析及应用国家。

Cable说，在这五所大学的领导下，“阿兰·图灵研究所将吸引最尖端的先进科学，引导我们如何在一个飞速变化和竞争激烈的世界中去使大数据。”

，又有八所大学加入该研究院，包括：利兹大学，曼彻斯特大学，纽卡斯尔大学，伦敦玛丽皇后大学，伯明翰大学，埃克塞特大学，布里斯托大学和南安普敦。

研究领域包括：

演算法

应用数学

人工智能

计算机系统与架构

机器学习

数学建模