本文经AI新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。最近PyTorch社区有一种声音：下一个版本应该放弃Python，使用Julia语言。现在连PyTorch团队都会拿这个说法开玩笑。对于这个问题，核心开发成员之一EdwardYang在论坛上做出了一些回应。他认为PyTorch确实越来越像Julia。例如，PytorchDispatcher就是基于Julia的多重调度特性开发的。PyTorch的整体发展方向也与Julia的愿景一致，即同时具备可扩展性、易用性和执行性能。一方面，PyTorch的底层代码后期会用C++重写，以获得更好的性能。另一方面，functorch和fx等新功能允许用户直接使用Python来完成以前必须使用C++完成的工作。那么为什么不直接切换到Julia呢？Harm，其实是依依不舍，Python不可替代的生态。当初从原来的Torch使用的Lua切换到Python是因为生态的原因。这么多年过去了，完全没有迹象表明其他语言生态有可能超越Python。总之，他们都需要Julia语言本身的特性和Python的生态，学习Julia的优势也是团队未来努力的方向。那么，PyTorch开发团队可以从中学习Julia语言的优点是什么？Julia是一种专为科学计算而设计的语言，来自MITCSAIL实验室。设计的初衷是既有C的速度和Ruby的动态，又有像Matlab一样的数学表达能力和Python的通用性。Julia应该能够像Perl一样自然地处理字符串，像R一样应用于统计，并像Shell一样充当胶水语言与其他语言交互。拥有Hadoop的并行计算能力，但又不想要那些复杂的配置。最终的Julia使用JustInTime编译，比需要解释器的Python快很多，同时又不失交互性。通过多重分派（MultipleDispatch）特性，类型稳定，实现了脚本语言的简单性和灵活性。同一个函数名给不同参数类型的调用分配不同的操作，因为它适合处理多种数据类型，PyTorch已经学会了。就机器学习而言，Julia执行各种算法，包括矩阵运算，比Python快得多。Julia生态系统也有自己的开源深度学习框架JuliaFlux。此外，Julia在语法上也针对线性代数、数据处理等场景进行了额外的优化。比如支持Unicode数学符号，数字与变量相乘时可以省略“*”，索引从1开始而不是0，更符合人的直觉……Julia代码可以这样写:α=0.5?f(u)=α*u;?f(2)sin(2π)让有一定数学背景的开发者觉得写Julia代码就像在黑板上做数学题，非常友好。相比之下，在Python中进行矩阵运算感觉……不是那么好。Python:np.dot(array1,array2)Julia:array1.*array2Julia的历史可以追溯到2009年，由于要实现的功能太多，直到2018年才发布1.0正式版。不过最近多年来，Julia迅速被金融、医药、航天等行业所接受，用户包括摩根大通、辉瑞、NASA等。以至于以往他们只能使用C等高性能语言进行底层开发，同时使用Python等高可用性语言进行扩展开发。今年7月，由Julia创始团队创立的公司JuliaComputing也获得了2400万美元的A轮融资。Julia语言速度快，天生适合机器学习，并且在高速发展。难怪PyTorch社区会用Julia来取代Python。有些人认为Python是一种糟糕的语言。虽然它的生态非常好，但是机器学习生态中最有价值的部分（Numpy）其实是用C实现的。Python生态虽然强大，但也有人诟病其混乱。各种重复开发的包管理系统，导致Python开发环境配置困难。相比之下，Julia的包管理解决方案非常统一，尽管可能还处于起步阶段，没有时间混淆。还有人认为，Python的这些所谓的缺点，其实是它流行的原因。像Python、Javascript和PHP这样难看的语言之所以流行，正是因为它们很容易写出糟糕的代码，降低了入门门槛。在此提醒大家，Julia本身就具有与其他语言交互的功能。他通常在Julia代码中调用Huggingface的Python模型进行开发。两者生态都用才好。最后，有些人不理解，PyTorch开发团队没有选择迁移到Julia。既然Julia语言具备了他们需要的所有特性，花时间在Python中重新造轮子是自找麻烦。另一种观点则略有不同：这正是PyTorch团队希望把方便留给用户，把麻烦留给自己。我很欣赏这种态度。
