为什么Julia比Python快？因为天生理念就更先进啊

其实像以前 C 或其它主流语言在使用变量前先要声明变量的具体类型，而 Python 并不需要，赋值什么数据，变量就是什么类型。然而没想到正是这种类型稳定性，让 Julia 相比 Python 有更好的性能。

选择 Julia 的最主要原因：要比其他脚本语言快得多，让你拥有 Python/Matlab /R 一样快速的开发速度，同时像 C/Fortan 那样高效的运行速度。

Julia 的新手可能对下面这些描述略为谨慎：

为什么其他语言不能更快一点?Julia 能够做到，其他语言就不能?

你怎么解释 Julia 的速度基准?(对许多其他语言来说也很难?)

这听起来违背没有免费午餐定律，在其他方面是否有损失?

许多人认为 Julia 快是因为它使用的是 JIT 编译器，即每一条语句在使用前都先使用编译函数进行编译，不论是预先马上编译或之前先缓存编译。这就产生了一个问题，即 Python/R 和 MATLAB 等脚本语言同样可以使用 JIT 编译器，这些编译器的优化时间甚至比 Julia 语言都要久。所以为什么我们会疯狂相信 Julia 语言短时间的优化就要超过其它脚本语言?这是一种对 Julia 语言的完全误解。

在本文中，我们将了解到 Julia 快是因为它的设计决策。它的核心设计决策：通过多重分派的类型稳定性是允许 Julia 能快速编译并高效运行的核心，本文后面会具体解释为什么它是快的原因。此外，这一核心决策同时还能像脚本语言那样令语法非常简洁，这两者相加可以得到非常明显的性能增益。

但是，在本文中我们能看到的是 Julia 不总像其他脚本语言，我们需要明白 Julia 语言因为这个核心决策而有一些「损失」。理解这种设计决策如何影响你的编程方式，对你生成 Julia 代码而言非常重要。

为了看见其中的不同，我们可以先简单地看看数学运算案例。

Julia 中的数学运算

总而言之，Julia 中的数学运算看起来和其他脚本语言是一样的。值得注意的一个细节是 Julia 的数值是「真数值」，在 Float64 中真的就和一个 64 位的浮点数值一样，或者是 C 语言的「双精度浮点数」。一个 Vector{Float64} 中的内存排列等同于 C 语言双精度浮点数数组，这都使得它与 C 语言的交互操作变得简单(确实，某种意义上 Julia 是构建在 C 语言顶层的)，且能带来高性能(对 NumPy 数组来说也是如此)。

Julia 中的一些数学：

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，数值乘法在后面跟随着变量的情况下允许不使用运算符 *，例如以下的计算可通过 Julia 代码完成：

α = 0.5 

∇f(u) = α*u; ∇f(2) 

sin(2π) 

output: -2.4492935982947064e-16

类型稳定和代码自省

类型稳定，即从一种方法中只能输出一种类型。例如，从 *(:: Float64，:: Float64) 输出的合理类型是 Float64。无论你给它的是什么，它都会反馈一个 Float64。这里是一种多重分派(Multiple-Dispatch)机制：运算符 * 根据它看到的类型调用不同的方法。当它看到 floats 时，它会反馈 floats。Julia 提供代码自省(code introspection)宏，以便你可以看到代码实际编译的内容。因此 Julia 不仅仅是一种脚本语言，它更是一种可以让你处理汇编的脚本语言!与许多语言一样，Julia 编译为 LLVM(LLVM 是一种可移植的汇编语言)。

@code_llvm 2*5 

; Function * 

; Location: int.jl:54 

define i64 @"julia_*_33751"(i64, i64) { 

top: 

  %2 = mul i64 %1, %0 

  ret i64 %2 

} 

这个输出表示，执行浮点乘法运算并返回答案。我们甚至可以看一下汇编：

@code_llvm 2*5 

    .text 

; Function * { 

; Location: int.jl:54 

    imulq   %rsi, %rdi 

    movq    %rdi, %rax 

    retq 

    nopl    (%rax,%rax) 

;}