为什么Julia比Python快？因为天生理念就更先进啊

前面已经展示过，Julia 会通过很多方式实现高性能(例如 @inbounds)，但它们并不一定需要使用。我们可以使用类型不稳定的函数，它会变得像 MATLAB/R/Python 那样慢。如果我们并不需要顶尖的性能，我们可以使用这些便捷的方式。

2. 检测类型稳定性

因为类型稳定性极其重要，Julia 语言会提供一些工具以检测函数的类型稳定性，这在 @code_warntype 宏中是最重要的。下面我们可以检测类型稳定性：

@code_warntype 2^5 
 
Body::Int64 
│220 1 ─ %1 = invoke Base.power_by_squaring(_2::Int64, _3::Int64)::Int64 
│    └──      return %1 

注意这表明函数中的变量都是严格类型，那么 expo 函数呢?

@code_warntype 2^5 
 
Body::Union{Float64, Int64} 
│╻╷ >2 1 ─ %1  = (Base.slt_int)(0, y)::Bool 
│    └──       goto #3 if not %1 
│  3 2 ─ %3  = π (x, Int64) 
│╻  ^  │   %4  = invoke Base.power_by_squaring(%3::Int64, _3::Int64)::Int64 
│    └──       return %4 
│  5 3 ─ %6  = π (x, Int64) 
││╻  Type  │   %7  = (Base.sitofp)(Float64, %6)::Float64 
│  6 │   %8  = π (%7, Float64) 
│╻  ^  │   %9  = (Base.sitofp)(Float64, y)::Float64 
││   │   %10 = $(Expr(:foreigncall, "llvm.pow.f64", Float64, svec(Float64, Float64), :(:llvmcall), 2, :(%8), :(%9), :(%9), :(%8)))::Float64 
│    └──       return %10 

函数返回可能是 4% 和 10%，它们是不同的类型，所以返回的类型可以推断为 Union{Float64,Int64}。为了准确追踪不稳定性产生的位置，我们可以使用 Traceur.jl：

using Traceur 
@trace expo(2,5) 
 
┌ Warning: x is assigned as Int64 
└ @ In[8]:2 
┌ Warning: x is assigned as Float64 
└ @ In[8]:5 
┌ Warning: expo returns Union{Float64, Int64} 
└ @ In[8]:2 

output：32

这表明第 2 行 x 分派为整型 Int，而第 5 行它被分派为浮点型 Float64，所以类型可以推断为 Union{Float64,Int64}。第 5 行是明确调用 convert 函数的位置，因此这为我们确定了问题所在。原文后面还介绍了如何处理不稳定类型，以及全局变量 Globals 拥有比较差的性能，希望详细了解的读者可查阅原文。

结 论

设计上 Julia 很快。类型稳定性和多重分派对 Julia 的编译做特化很有必要，使其工作效率非常高。此外，鲁棒性的类型系统同样还需要在细粒度水平的类型上正常运行，因此才能尽可能实现类型稳定性，并在类型不稳定的情况下尽可能获得更高的优化。

原文链接：https://ucidatascienceinitiative.github.io/IntroToJulia/Html/WhyJulia

【本文是51CTO专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】

戳这里，看该作者更多好文

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!