Julia 語(yǔ)言因?yàn)椤缚臁购汀负?jiǎn)潔」可兼得而聞名，我們可以用類似 Python 的優(yōu)美語(yǔ)句獲得類似 C 的性能。那么你知道為什么 Julia 比 Python 快嗎？這并不是因?yàn)楦玫木幾g器，而是一種更新的設(shè)計(jì)理念，關(guān)注「人生苦短」的 Python 并沒(méi)有將這種理念納入其中。

其實(shí)像以前 C 或其它主流語(yǔ)言在使用變量前先要聲明變量的具體類型，而 Python 并不需要，賦值什么數(shù)據(jù)，變量就是什么類型。然而沒(méi)想到正是這種類型穩(wěn)定性，讓 Julia 相比 Python 有更好的性能。

選擇 Julia 的最主要原因：要比其他腳本語(yǔ)言快得多，讓你擁有 Python/Matlab/R 一樣快速的開(kāi)發(fā)速度，同時(shí)像 C/Fortan 那樣高效的運(yùn)行速度。

Julia 的新手可能對(duì)下面這些描述略為謹(jǐn)慎：

1. 為什么其他語(yǔ)言不能更快一點(diǎn)？Julia 能夠做到，其他語(yǔ)言就不能？
2. 你怎么解釋 Julia 的速度基準(zhǔn)？（對(duì)許多其他語(yǔ)言來(lái)說(shuō)也很難？）
3. 這聽(tīng)起來(lái)違背沒(méi)有免費(fèi)午餐定律，在其他方面是否有損失？

許多人認(rèn)為 Julia 快是因?yàn)樗褂玫氖?JIT 編譯器，即每一條語(yǔ)句在使用前都先使用編譯函數(shù)進(jìn)行編譯，不論是預(yù)先馬上編譯或之前先緩存編譯。這就產(chǎn)生了一個(gè)問(wèn)題，即 Python/R 和 MATLAB 等腳本語(yǔ)言同樣可以使用 JIT 編譯器，這些編譯器的優(yōu)化時(shí)間甚至比 Julia 語(yǔ)言都要久。所以為什么我們會(huì)瘋狂相信 Julia 語(yǔ)言短時(shí)間的優(yōu)化就要超過(guò)其它腳本語(yǔ)言？這是一種對(duì) Julia 語(yǔ)言的完全誤解。

在本文中，我們將了解到 Julia 快是因?yàn)樗脑O(shè)計(jì)決策。它的核心設(shè)計(jì)決策：通過(guò)多重分派的類型穩(wěn)定性是允許 Julia 能快速編譯并高效運(yùn)行的核心，本文后面會(huì)具體解釋為什么它是快的原因。此外，這一核心決策同時(shí)還能像腳本語(yǔ)言那樣令語(yǔ)法非常簡(jiǎn)潔，這兩者相加可以得到非常明顯的性能增益。

但是，在本文中我們能看到的是 Julia 不總像其他腳本語(yǔ)言，我們需要明白 Julia 語(yǔ)言因?yàn)檫@個(gè)核心決策而有一些「損失」。理解這種設(shè)計(jì)決策如何影響你的編程方式，對(duì)你生成 Julia 代碼而言非常重要。

為了看見(jiàn)其中的不同，我們可以先簡(jiǎn)單地看看數(shù)學(xué)運(yùn)算案例。

Julia 中的數(shù)學(xué)運(yùn)算

總而言之，Julia 中的數(shù)學(xué)運(yùn)算看起來(lái)和其他腳本語(yǔ)言是一樣的。值得注意的一個(gè)細(xì)節(jié)是 Julia 的數(shù)值是「真數(shù)值」，在 Float64 中真的就和一個(gè) 64 位的浮點(diǎn)數(shù)值一樣，或者是 C 語(yǔ)言的「雙精度浮點(diǎn)數(shù)」。一個(gè) Vector{Float64} 中的內(nèi)存排列等同于 C 語(yǔ)言雙精度浮點(diǎn)數(shù)數(shù)組，這都使得它與 C 語(yǔ)言的交互操作變得簡(jiǎn)單（確實(shí)，某種意義上 Julia 是構(gòu)建在 C 語(yǔ)言頂層的），且能帶來(lái)高性能（對(duì) NumPy 數(shù)組來(lái)說(shuō)也是如此）。

Julia 中的一些數(shù)學(xué)：

a = 2+2
b = a/3
c = a÷3 #\div tab completion, means integer division
d = 4*5
println([a;b;c;d])
output: [4.0, 1.33333, 1.0, 20.0]

此外，數(shù)值乘法在后面跟隨著變量的情況下允許不使用運(yùn)算符 *，例如以下的計(jì)算可通過(guò) Julia 代碼完成：

α = 0.5
?f(u) = α*u; ?f(2)
sin(2π)
output: -2.4492935982947064e-16

類型穩(wěn)定和代碼自省

類型穩(wěn)定，即從一種方法中只能輸出一種類型。例如，從 *(:: Float64，:: Float64) 輸出的合理類型是 Float64。無(wú)論你給它的是什么，它都會(huì)反饋一個(gè) Float64。這里是一種多重分派（Multiple-Dispatch）機(jī)制：運(yùn)算符 * 根據(jù)它看到的類型調(diào)用不同的方法。當(dāng)它看到 floats 時(shí)，它會(huì)反饋 floats。Julia 提供代碼自?。╟ode introspection）宏，以便你可以看到代碼實(shí)際編譯的內(nèi)容。因此 Julia 不僅僅是一種腳本語(yǔ)言，它更是一種可以讓你處理匯編的腳本語(yǔ)言！與許多語(yǔ)言一樣，Julia 編譯為 LLVM（LLVM 是一種可移植的匯編語(yǔ)言）。

@code_llvm 2*5
; Function *
; Location: int.jl:54
define i64 @"julia_*_33751"(i64, i64) {
top:
 %2 = mul i64 %1, %0
 ret i64 %2
}

這個(gè)輸出表示，執(zhí)行浮點(diǎn)乘法運(yùn)算并返回答案。我們甚至可以看一下匯編：

@code_llvm 2*5
 .text
; Function * {
; Location: int.jl:54
 imulq %rsi, %rdi
 movq %rdi, %rax
 retq
 nopl (%rax,%rax)
;}

這表示*函數(shù)已編譯為與 C / Fortran 中完全相同的操作，這意味著它實(shí)現(xiàn)了相同的性能（即使它是在 Julia 中定義的）。因此，不僅可以「接近」C 語(yǔ)言的性能，而且實(shí)際上可以獲得相同的 C 代碼。那么在什么情況下會(huì)發(fā)生這種事情呢？

關(guān)于 Julia 的有趣之處在于，我們需要知道什么情況下代碼不能編譯成與 C / Fortran 一樣高效的運(yùn)算？這里的關(guān)鍵是類型穩(wěn)定性。如果函數(shù)是類型穩(wěn)定的，那么編譯器可以知道函數(shù)中所有節(jié)點(diǎn)的類型，并巧妙地將其優(yōu)化為與 C / Fortran 相同的程序集。如果它不是類型穩(wěn)定的，Julia 必須添加昂貴的「boxing」以確保在操作之前找到或者已明確知道的類型。

這是 Julia 和其他腳本語(yǔ)言之間最為關(guān)鍵的不同點(diǎn)！

好處是 Julia 的函數(shù)在類型穩(wěn)定時(shí)基本上和 C / Fortran 函數(shù)一樣。因此^（取冪）很快，但既然 ^（:: Int64，:: Int64）是類型穩(wěn)定的，那么它應(yīng)輸出什么類型？

2^5
output: 32
2^-5
output: 0.03125

這里我們得到一個(gè)錯(cuò)誤。編譯器為了保證 ^ 返回一個(gè) Int64，必須拋出一個(gè)錯(cuò)誤。如果在 MATLAB，Python 或 R 中執(zhí)行這個(gè)操作，則不會(huì)拋出錯(cuò)誤，這是因?yàn)槟切┱Z(yǔ)言沒(méi)有圍繞類型穩(wěn)定性構(gòu)建整個(gè)語(yǔ)言。

當(dāng)我們沒(méi)有類型穩(wěn)定性時(shí)會(huì)發(fā)生什么呢？我們來(lái)看看這段代碼：

@code_native ^(2,5)
 .text
; Function ^ {
; Location: intfuncs.jl:220
 pushq %rax
 movabsq $power_by_squaring, %rax
 callq *%rax
 popq %rcx
 retq
 nop
;}

現(xiàn)在讓我們定義對(duì)整數(shù)的取冪，讓它像其他腳本語(yǔ)言中看到的那樣「安全」：

function expo(x,y)
 if y>0
 return x^y
 else
 x = convert(Float64,x)
 return x^y
 end
end
output: expo (generic function with 1 method)

確保它有效：

println(expo(2,5))
expo(2,-5)
output: 32 
0.03125

當(dāng)我們檢查這段代碼時(shí)會(huì)發(fā)生什么？

@code_native expo(2,5)
.text
; Function expo {
; Location: In[8]:2
 pushq %rbx
 movq %rdi, %rbx
; Function >; {
; Location: operators.jl:286
; Function <; {
; Location: int.jl:49
 testq %rdx, %rdx
;}}
 jle L36
; Location: In[8]:3
; Function ^; {
; Location: intfuncs.jl:220
 movabsq $power_by_squaring, %rax
 movq %rsi, %rdi
 movq %rdx, %rsi
 callq *%rax
;}
 movq %rax, (%rbx)
 movb $2, %dl
 xorl %eax, %eax
 popq %rbx
 retq
; Location: In[8]:5
; Function convert; {
; Location: number.jl:7
; Function Type; {
; Location: float.jl:60
L36:
 vcvtsi2sdq %rsi, %xmm0, %xmm0
;}}
; Location: In[8]:6
; Function ^; {
; Location: math.jl:780
; Function Type; {
; Location: float.jl:60
 vcvtsi2sdq %rdx, %xmm1, %xmm1
 movabsq $__pow, %rax
;}
 callq *%rax
;}
 vmovsd %xmm0, (%rbx)
 movb $1, %dl
 xorl %eax, %eax
; Location: In[8]:3
 popq %rbx
 retq
 nopw %cs:(%rax,%rax)
;}

這個(gè)演示非常直觀地說(shuō)明了為什么 Julia 使用類型推斷來(lái)實(shí)現(xiàn)能夠比其他腳本語(yǔ)言有更高的性能。

核心觀念：多重分派+類型穩(wěn)定性 => 速度+可讀性

類型穩(wěn)定性（Type stability）是將 Julia 語(yǔ)言與其他腳本語(yǔ)言區(qū)分開(kāi)的一個(gè)重要特征。實(shí)際上，Julia 的核心觀念如下所示：

（引用）多重分派（Multiple dispatch）允許語(yǔ)言將函數(shù)調(diào)用分派到類型穩(wěn)定的函數(shù)。

這就是 Julia 語(yǔ)言所有特性的出發(fā)點(diǎn)，所以我們需要花些時(shí)間深入研究它。如果函數(shù)內(nèi)部存在類型穩(wěn)定性，即函數(shù)內(nèi)的任何函數(shù)調(diào)用也是類型穩(wěn)定的，那么編譯器在每一步都能知道變量的類型。因?yàn)榇藭r(shí)代碼和 C/Fortran 代碼基本相同，所以編譯器可以使用全部的優(yōu)化方法編譯函數(shù)。

我們可以通過(guò)案例解釋多重分派，如果乘法運(yùn)算符 * 為類型穩(wěn)定的函數(shù)：它因輸入表示的不同而不同。但是如果編譯器在調(diào)用 * 之前知道 a 和 b 的類型，那么它就知道哪一個(gè) * 方法可以使用，因此編譯器也知道 c=a * b 的輸出類型。因此如果沿著不同的運(yùn)算傳播類型信息，那么 Julia 將知道整個(gè)過(guò)程的類型，同時(shí)也允許實(shí)現(xiàn)完全的優(yōu)化。多重分派允許每一次使用 * 時(shí)都表示正確的類型，也神奇地允許所有優(yōu)化。

我們可以從中學(xué)習(xí)到很多東西。首先為了達(dá)到這種程度的運(yùn)行優(yōu)化，我們必須擁有類型穩(wěn)定性。這并不是大多數(shù)編程語(yǔ)言標(biāo)準(zhǔn)庫(kù)所擁有的特性，只不過(guò)是令用戶體驗(yàn)更容易而需要做的選擇。其次，函數(shù)的類型需要多重分派才能實(shí)現(xiàn)專有化，這樣才能允許腳本語(yǔ)言變得「變得更明確，而不僅更易讀」。最后，我們還需要一個(gè)魯棒性的類型系統(tǒng)。為了構(gòu)建類型不穩(wěn)定的指數(shù)函數(shù)（可能用得上），我們也需要轉(zhuǎn)化器這樣的函數(shù)。

因此編程語(yǔ)言必須設(shè)計(jì)為具有多重分派的類型穩(wěn)定性語(yǔ)言，并且還需要以魯棒性類型系統(tǒng)為中心，以便在保持腳本語(yǔ)言的句法和易于使用的特性下實(shí)現(xiàn)底層語(yǔ)言的性能。我們可以在 Python 中嵌入 JIT，但如果需要嵌入到 Julia，我們需要真的把它成設(shè)計(jì)為 Julia 的一部分。

Julia 基準(zhǔn)

Julia 網(wǎng)站上的 Julia 基準(zhǔn)能測(cè)試編程語(yǔ)言的不同模塊，從而希望獲取更快的速度。這并不意味著 Julia 基準(zhǔn)會(huì)測(cè)試最快的實(shí)現(xiàn)，這也是我們對(duì)其主要的誤解。其它編程語(yǔ)言也有相同的方式：測(cè)試編程語(yǔ)言的基本模塊，并看看它們到底有多快。

Julia 語(yǔ)言是建立在類型穩(wěn)定函數(shù)的多重分派機(jī)制上的。因此即使是最初版的 Julia 也能讓編譯器快速優(yōu)化到 C/Fortran 語(yǔ)言的性能。很明顯，基本大多數(shù)案例下 Julia 的性能都非常接近 C。但還有少量細(xì)節(jié)實(shí)際上并不能達(dá)到 C 語(yǔ)言的性能，首先是斐波那契數(shù)列問(wèn)題，Julia 需要的時(shí)間是 C 的 2.11 倍。這主要是因?yàn)檫f歸測(cè)試，Julia 并沒(méi)有完全優(yōu)化遞歸運(yùn)算，不過(guò)它在這個(gè)問(wèn)題上仍然做得非常好。

用于這類遞歸問(wèn)題的最快優(yōu)化方法是 Tail-Call Optimization，Julia 語(yǔ)言可以隨時(shí)添加這類優(yōu)化。但是 Julia 因?yàn)橐恍┰虿](méi)有添加，主要是：任何需要使用 Tail-Call Optimization 的案例同時(shí)也可以使用循環(huán)語(yǔ)句。但是循環(huán)對(duì)于優(yōu)化顯得更加魯棒，因?yàn)橛泻芏噙f歸都不能使用 Tail-Call 優(yōu)化，因此 Julia 還是建議使用循環(huán)而不是使用不太穩(wěn)定的 TCO。

Julia 還有一些案例并不能做得很好，例如 the rand_mat_stat 和 parse_int 測(cè)試。然而，這些很大程度上都?xì)w因于一種名為邊界檢測(cè)（bounds checking）的特征。在大多數(shù)腳本語(yǔ)言中，如果我們對(duì)數(shù)組的索引超過(guò)了索引邊界，那么程序?qū)?bào)錯(cuò)。Julia 語(yǔ)言默認(rèn)會(huì)完成以下操作：

function test1()
 a = zeros(3)
 for i=1:4
 a[i] = i
 end
end
test1()
BoundsError: attempt to access 3-element Array{Float64,1} at index [4]
Stacktrace:
 [1] setindex! at ./array.jl:769 [inlined]
 [2] test1() at ./In[11]:4
 [3] top-level scope at In[11]:7

然而，Julia 語(yǔ)言允許我們使用 @inbounds 宏關(guān)閉邊界檢測(cè)：

function test2()
 a = zeros(3)
 @inbounds for i=1:4
 a[i] = i
 end
end
test2()

這會(huì)為我們帶來(lái)和 C/Fortran 相同的不安全行為，但是也能帶來(lái)相同的速度。如果我們將關(guān)閉邊界檢測(cè)的代碼用于基準(zhǔn)測(cè)試，我們能獲得與 C 語(yǔ)言相似的速度。這是 Julia 語(yǔ)言另一個(gè)比較有趣的特征：它默認(rèn)情況下允許和其它腳本語(yǔ)言一樣獲得安全性，但是在特定情況下（測(cè)試和 Debug 后）關(guān)閉這些特征可以獲得完全的性能。

核心概念的小擴(kuò)展：嚴(yán)格類型形式

類型穩(wěn)定性并不是唯一必須的，我們還需要嚴(yán)格的類型形式。在 Python 中，我們可以將任何類型數(shù)據(jù)放入數(shù)組，但是在 Julia，我們只能將類型 T 放入到 Vector{T} 中。為了提供一般性，Julia 語(yǔ)言提供了各種非嚴(yán)格形式的類型。最明顯的案例就是 Any，任何滿足 T:<Any 的類型，在我們需要時(shí)都能創(chuàng)建 Vector{Any}，例如：

a = Vector{Any}(undef,3)
a[1] = 1.0
a[2] = "hi!"
a[3] = :Symbolic
a
output: 
 3-element Array{Any,1}:
 1.0 
 "hi!" 
 :Symbolic

抽象類型的一種不太極端的形式是 Union 類型，例如：

a = Vector{Union{Float64,Int}}(undef,3)
a[1] = 1.0
a[2] = 3
a[3] = 1/4
a
output:
 3-element Array{Union{Float64, Int64},1}:
 1.0 
 3 
 0.25

該案例只接受浮點(diǎn)型和整型數(shù)值，然而它仍然是一種抽象類型。一般在抽象類型上調(diào)用函數(shù)并不能知道任何元素的具體類型，例如在以上案例中每一個(gè)元素可能是浮點(diǎn)型或整型。因此通過(guò)多重分派實(shí)現(xiàn)優(yōu)化，編譯器并不能知道每一步的類型。因?yàn)椴荒芡耆珒?yōu)化，Julia 語(yǔ)言和其它腳本語(yǔ)言一樣都會(huì)放慢速度。

這就是高性能原則：盡可能使用嚴(yán)格的類型。遵守這個(gè)原則還有其它優(yōu)勢(shì)：一個(gè)嚴(yán)格的類型 Vector{Float64} 實(shí)際上與 C/Fortran 是字節(jié)兼容的（byte-compatible），因此它無(wú)需轉(zhuǎn)換就能直接用于 C/Fortran 程序。

高性能的成本

很明顯 Julia 語(yǔ)言做出了很明智的設(shè)計(jì)決策，因而在成為腳本語(yǔ)言的同時(shí)實(shí)現(xiàn)它的性能目標(biāo)。然而，它到底損失了些什么？下一節(jié)將展示一些由該設(shè)計(jì)決策而產(chǎn)生的 Julia 特性，以及 Julia 語(yǔ)言各處的一些解決工具。

可選的性能

前面已經(jīng)展示過(guò)，Julia 會(huì)通過(guò)很多方式實(shí)現(xiàn)高性能（例如 @inbounds），但它們并不一定需要使用。我們可以使用類型不穩(wěn)定的函數(shù)，它會(huì)變得像 MATLAB/R/Python 那樣慢。如果我們并不需要頂尖的性能，我們可以使用這些便捷的方式。

檢測(cè)類型穩(wěn)定性

因?yàn)轭愋头€(wěn)定性極其重要，Julia 語(yǔ)言會(huì)提供一些工具以檢測(cè)函數(shù)的類型穩(wěn)定性，這在 @code_warntype 宏中是最重要的。下面我們可以檢測(cè)類型穩(wěn)定性：

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

注意這表明函數(shù)中的變量都是嚴(yán)格類型，那么 expo 函數(shù)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

函數(shù)返回可能是 4% 和 10%，它們是不同的類型，所以返回的類型可以推斷為 Union{Float64,Int64}。為了準(zhǔn)確追蹤不穩(wěn)定性產(chǎn)生的位置，我們可以使用 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

這表明第 2 行 x 分派為整型 Int，而第 5 行它被分派為浮點(diǎn)型 Float64，所以類型可以推斷為 Union{Float64,Int64}。第 5 行是明確調(diào)用 convert 函數(shù)的位置，因此這為我們確定了問(wèn)題所在。原文后面還介紹了如何處理不穩(wěn)定類型，以及全局變量 Globals 擁有比較差的性能，希望詳細(xì)了解的讀者可查閱原文。

結(jié) 論

設(shè)計(jì)上 Julia 很快。類型穩(wěn)定性和多重分派對(duì) Julia 的編譯做特化很有必要，使其工作效率非常高。此外，魯棒性的類型系統(tǒng)同樣還需要在細(xì)粒度水平的類型上正常運(yùn)行，因此才能盡可能實(shí)現(xiàn)類型穩(wěn)定性，并在類型不穩(wěn)定的情況下盡可能獲得更高的優(yōu)化。