短短幾年，由 MIT CSAIL 實(shí)驗(yàn)室開(kāi)發(fā)的編程語(yǔ)言 Julia 已然成為編程界的新寵，尤其在科學(xué)計(jì)算領(lǐng)域炙手可熱。很大部分是因?yàn)檫@門(mén)語(yǔ)言結(jié)合了 C 語(yǔ)言的速度、Ruby 的靈活、Python 的通用性，以及其他各種語(yǔ)言的優(yōu)勢(shì)于一身。那么你知道為什么 Julia 的速度能做到那么快嗎？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，Julia 在開(kāi)發(fā)之初就將這種理念納入其中，而這也是關(guān)注 “人生苦短” 的 Python 所欠缺的。

為什么要選擇 Julia？因?yàn)樗绕渌_本語(yǔ)言更快，它在具備 Python、MATLAB、R 語(yǔ)言開(kāi)發(fā)速度的同時(shí)，又能生成與 C 語(yǔ)言和 Fortran 一樣快的代碼。

但 Julia 新手對(duì)這種說(shuō)法可能會(huì)有點(diǎn)懷疑。

為什么其他腳本語(yǔ)言不也提升一下速度？Julia 可以做到的，為什么其他腳本語(yǔ)言做不到？

你能提供基準(zhǔn)測(cè)試來(lái)證明它的速度嗎？

這似乎有違 “天底下沒(méi)有免費(fèi)的午餐” 的道理。它真的有那么完美嗎？

很多人認(rèn)為 Julia 運(yùn)行速度很快，因?yàn)樗羌磿r(shí)編譯（JIT）型的（也就是說(shuō)，每條語(yǔ)句都使用編譯的函數(shù)來(lái)運(yùn)行，這些函數(shù)要么在使用之前進(jìn)行即時(shí)編譯，要么在之前已經(jīng)編譯過(guò)并放在緩存中）。這就引出了一個(gè)問(wèn)題：Julia 是否提供了比 Python 或 R 語(yǔ)言（MATLAB 默認(rèn)使用 JIT）更好的 JIT 實(shí)現(xiàn)？因?yàn)槿藗冊(cè)谶@些 JIT 編譯器上所做的工作比 Julia 要多得多，所以我們憑什么認(rèn)為 Julia 這么快就會(huì)超過(guò)這些編譯器？但其實(shí)這完全是對(duì) Julia 的誤解。

我想以一種非常直觀的方式說(shuō)明，Julia 的速度之所以快，是因?yàn)樗脑O(shè)計(jì)決策。Julia 的的核心設(shè)計(jì)決策是通過(guò)多重分派實(shí)現(xiàn)專(zhuān)門(mén)化的類(lèi)型穩(wěn)定性，編譯器因此可以很容易地生成高效的代碼，同時(shí)還能夠保持代碼的簡(jiǎn)潔，讓它 “看起來(lái)就像一門(mén)腳本語(yǔ)言”。

但是，在本文的示例中，我們將看到 Julia 并不總是像其他腳本語(yǔ)言那樣，我們必須接受 “午餐不全是免費(fèi)” 的事實(shí)。

要看出它們之間的區(qū)別，我們只需要看看基本的數(shù)學(xué)運(yùn)算。

Julia 中的數(shù)學(xué)運(yùn)算

一般來(lái)說(shuō)，Julia 中的數(shù)學(xué)運(yùn)算與其他腳本語(yǔ)言中的數(shù)學(xué)運(yùn)算看起來(lái)是一樣的。它們的數(shù)字都是 “真正的數(shù)字”，比如 Float64 就是 64 位浮點(diǎn)數(shù)或者類(lèi)似于 C 語(yǔ)言中的 “double”。Vector {Float64} 與 C 語(yǔ)言 double 數(shù)組的內(nèi)存布局是一樣的，都可以很容易地與 C 語(yǔ)言進(jìn)行互操作（實(shí)際上，在某種意義上，“Julia 是構(gòu)建在 C 語(yǔ)言之上的一個(gè)層”），從而帶來(lái)更高的性能。

使用 Julia 進(jìn)行一些數(shù)學(xué)運(yùn)算：

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

我在這里使用了 Julia 的 unicode 制表符補(bǔ)全功能。Julia 允許使用 unicode 字符，這些字符可以通過(guò)制表符實(shí)現(xiàn) Latex 風(fēng)格的語(yǔ)句。同樣，如果一個(gè)數(shù)字后面跟著一個(gè)變量，那么不需要使用 * 運(yùn)算符就可以進(jìn)行乘法運(yùn)算。例如，下面的 Julia 的代碼是合法的：

α =0.5?f(u) = α*u; ?f(2)sin(2π)-2.4492935982947064e-16類(lèi)型穩(wěn)定性和代碼內(nèi)省

類(lèi)型穩(wěn)定性是指一個(gè)方法只能輸出一種可能的類(lèi)型。例如：*(::Float64,::Float64) 輸出的類(lèi)型是 Float64。不管你給它提供什么參數(shù)，它都會(huì)返回一個(gè) Float64。這里使用了多重分派：“*” 操作符根據(jù)它看到的類(lèi)型調(diào)用不同的方法。例如，當(dāng)它看到浮點(diǎn)數(shù)時(shí)，就會(huì)返回浮點(diǎn)數(shù)。Julia 提供了代碼自省宏，可以看到代碼被編譯成什么東西。因此，Julia 不只是一門(mén)普通的腳本語(yǔ)言，還是一門(mén)可以讓你處理匯編的腳本語(yǔ)言！和其他很多語(yǔ)言一樣，Julia 被編譯成 LLVM （LLVM 是一種可移植的匯編格式）。

@code_llvm2*5;Function*; Location: int.jl:54define i64 @"julia_*_33751"(i64, i64) {top:%2= mul i64 %1, %0ret i64 %2}

這段代碼的意思是：執(zhí)行一個(gè)浮點(diǎn)數(shù)乘法操作，然后返回結(jié)果。我們也可以看一下匯編代碼。

@code_native2*5.text;Function* {;Location: int.jl:54imulq %rsi, %rdimovq %rdi, %raxretqnopl (%rax,%rax);}

“*” 函數(shù)被編譯成與 C 語(yǔ)言或 Fortran 中完全相同的操作，這意味著它可以達(dá)到相同的性能（盡管它是在 Julia 中定義的）。因此，Julia 不僅可以 “接近” C 語(yǔ)言，而且實(shí)際上可以得到相同的 C 語(yǔ)言代碼。那么在什么情況下會(huì)發(fā)生這種情況？

Julia 的有趣之處在于，上面的這個(gè)問(wèn)題其實(shí)問(wèn)得不對(duì)，正確的問(wèn)題應(yīng)該是：在什么情況下代碼不能被編譯成像 C 語(yǔ)言或 Fortran 那樣？這里的關(guān)鍵是類(lèi)型穩(wěn)定性。如果一個(gè)函數(shù)是類(lèi)型穩(wěn)定的，那么編譯器就會(huì)知道函數(shù)在任意時(shí)刻的類(lèi)型，就可以巧妙地將其優(yōu)化為與 C 語(yǔ)言或 Fortran 相同的匯編代碼。如果它不是類(lèi)型穩(wěn)定的，Julia 必須進(jìn)行昂貴的 “裝箱”，以確保在操作之前知道函數(shù)的類(lèi)型是什么。

這是 Julia 與其他腳本語(yǔ)言之間最關(guān)鍵的不同點(diǎn)。

好的方面是 Julia 的函數(shù)（類(lèi)型穩(wěn)定）基本上就是 C 語(yǔ)言或 Fortran 的函數(shù)，因此 “^”（乘方）運(yùn)算速度很快。那么，類(lèi)型穩(wěn)定的 ^(::Int64,::Int64) 會(huì)輸出什么？

2^5322^-50.03125

這里我們會(huì)得到一個(gè)錯(cuò)誤。為了確保編譯器可以為 “^” 返回一個(gè) Int64，它必須拋出一個(gè)錯(cuò)誤。但在 MATLAB、Python 或 R 語(yǔ)言中這么做是不會(huì)拋出錯(cuò)誤的，因?yàn)檫@些語(yǔ)言沒(méi)有所謂的類(lèi)型穩(wěn)定性。

如果沒(méi)有類(lèi)型安全性會(huì)怎樣？讓我們看一下代碼：

@code_native ^(2,5).text; Function ^ {; Location: intfuncs.jl:220pushq %raxmovabsq$power_by_squaring, %raxcallq *%raxpopq %rcxretqnop;}

現(xiàn)在，我們來(lái)定義自己的整數(shù)乘方運(yùn)算。與其他腳本語(yǔ)言一樣，我們讓它變得更 “安全”：

functionexpo(x,y)ify>0returnx^yelsex= convert(Float64,x)returnx^yendendexpo (genericfunctionwith1method)

現(xiàn)在運(yùn)行一下看看行不行：

println(expo(2,5))expo(2,-5)320.03125

再來(lái)看看匯編代碼。

@code_native expo(2,5).text;Functionexpo{; Location: In[8]:2pushq %rbxmovq %rdi, %rbx;Function>; {; Location: operators.jl:286;Function<; {; Location: int.jl:49testq %rdx, %rdx;}}jle L36; Location: In[8]:3;?Function?^; {; Location: intfuncs.jl:220movabsq $power_by_squaring, %raxmovq %rsi, %rdimovq %rdx, %rsicallq *%rax;}movq %rax, (%rbx)movb $2, %dlxorl %eax, %eaxpopq %rbxretq; Location: In[8]:5;?Function?convert; {; Location: number.jl:7;?Function?Type; {; Location: float.jl:60L36:vcvtsi2sdq %rsi, %xmm0, %xmm0;}}; Location: In[8]:6;?Function?^; {; Location: math.jl:780;?Function?Type; {; Location: float.jl:60vcvtsi2sdq %rdx, %xmm1, %xmm1movabsq $__pow, %rax;}callq *%rax;}vmovsd %xmm0, (%rbx)movb $1, %dlxorl %eax, %eax; Location: In[8]:3popq %rbxretqnopw %cs:(%rax,%rax);}

這是一個(gè)非常直觀的演示，說(shuō)明了 Julia 通過(guò)使用類(lèi)型推斷獲得了比其他腳本語(yǔ)言更高的性能。

核心思想：多重分派 + 類(lèi)型穩(wěn)定性 => 速度 + 可讀性

類(lèi)型穩(wěn)定性是 Julia 區(qū)別于其他腳本語(yǔ)言的一個(gè)關(guān)鍵特性。事實(shí)上，Julia 的核心思想是這樣的:

多重分派允許一種語(yǔ)言將函數(shù)調(diào)用分派給類(lèi)型穩(wěn)定的函數(shù)。

這就是Julia 的核心思想，現(xiàn)在讓我們花點(diǎn)時(shí)間深入了解一下。如果函數(shù)內(nèi)部具有類(lèi)型穩(wěn)定性（也就是說(shuō)，函數(shù)內(nèi)的任意函數(shù)調(diào)用也是類(lèi)型穩(wěn)定的），那么編譯器就會(huì)知道每一步的變量類(lèi)型，它就可以在編譯函數(shù)時(shí)進(jìn)行充分的優(yōu)化，這樣得到的代碼基本上與 C 語(yǔ)言或 Fortran 相同。多重分派在這里可以起到作用，它意味著 “*” 可以是一個(gè)類(lèi)型穩(wěn)定的函數(shù)：對(duì)于不同的輸入，它有不同的含義。但是，如果編譯器在調(diào)用 “*” 之前能夠知道 a 和 b 的類(lèi)型，那么它就知道應(yīng)該使用哪個(gè) “*” 方法，這樣它就知道 c=a*b 的輸出類(lèi)型是什么。這樣它就可以將類(lèi)型信息一路傳下去，從而實(shí)現(xiàn)全面的優(yōu)化。

我們從中可以學(xué)到一些東西。首先，為了實(shí)現(xiàn)這種級(jí)別的優(yōu)化，必須具有類(lèi)型穩(wěn)定性。大多數(shù)語(yǔ)言為了讓用戶(hù)可以更輕松地編碼，都沒(méi)有在標(biāo)準(zhǔn)庫(kù)中提供這種特性。其次，需要通過(guò)多重分派來(lái)專(zhuān)門(mén)化類(lèi)型函數(shù)，讓腳本語(yǔ)言語(yǔ)法 “看上去更顯式” 一些。最后，需要一個(gè)健壯的類(lèi)型系統(tǒng)。為了構(gòu)建非類(lèi)型穩(wěn)定的乘方運(yùn)算，我們需要使用轉(zhuǎn)換函數(shù)。因此，要在保持腳本語(yǔ)言的語(yǔ)法和易用性的同時(shí)實(shí)現(xiàn)這種原始性能必須將語(yǔ)言設(shè)計(jì)成具有多重分派類(lèi)型穩(wěn)定性的語(yǔ)言，并提供一個(gè)健壯的類(lèi)型系統(tǒng)。

Julia 基準(zhǔn)測(cè)試

Julia 官網(wǎng)提供的基準(zhǔn)測(cè)試只是針對(duì)編程語(yǔ)言組件的執(zhí)行速度，并沒(méi)有說(shuō)是在測(cè)試最快的實(shí)現(xiàn)，所以這里存在一個(gè)很大的誤解。R 語(yǔ)言程序員一邊看著使用 R 語(yǔ)言實(shí)現(xiàn)的 Fibonacci 函數(shù)，一邊說(shuō)：“這是一段很糟糕的代碼，不應(yīng)該在 R 語(yǔ)言中使用遞歸，因?yàn)檫f歸很慢”。但實(shí)際上，F(xiàn)ibonacci 函數(shù)是用來(lái)測(cè)試遞歸的，而不是用來(lái)測(cè)試語(yǔ)言的執(zhí)行速度的。

Julia 使用了類(lèi)型穩(wěn)定函數(shù)的多重分派機(jī)制，因此，即使是早期版本的 Julia 也可以?xún)?yōu)化得像 C 語(yǔ)言或 Fortran 那樣。非常明顯，幾乎在所有情況下，Julia 都非常接近 C 語(yǔ)言。當(dāng)然，也有與 C 語(yǔ)言不一樣的地方，我們可以來(lái)看看這些細(xì)節(jié)。首先是在計(jì)算 Fibonacci 數(shù)列時(shí) C 語(yǔ)言比 Julia 快 2.11 倍，這是因?yàn)檫@是針對(duì)遞歸的測(cè)試，而 Julia 并沒(méi)有完全為遞歸進(jìn)行過(guò)優(yōu)化。Julia 其實(shí)也可以加入這種優(yōu)化（尾遞歸優(yōu)化），只是出于某些原因他們才沒(méi)有這么做，最主要是因?yàn)椋嚎梢允褂梦策f歸的地方也可以使用循環(huán)，而循環(huán)是一種更加健壯的優(yōu)化，所以他們建議使用循環(huán)來(lái)代替脆弱的尾遞歸。

Julia 表現(xiàn)不太好的地方還有 rand_mat_stat 和 parse_int 測(cè)試。這主要是因?yàn)檫吔鐧z查導(dǎo)致的。在大多數(shù)腳本語(yǔ)言中，如果你試圖訪(fǎng)問(wèn)超出數(shù)組邊界的元素就會(huì)出錯(cuò)，Julia 默認(rèn)情況下也會(huì)這么做。

function test1()a = zeros(3)for i=1:4a[i] = iendendtest1()BoundsError: attempttoaccess3-elementArray{Float64,1}atindex[4]Stacktrace:[1] setindex!at./array.jl:769[inlined][2] test1()at./In[11]:4[3] top-levelscopeatIn[11]:7

不過(guò)，你可以使用 @inbounds 宏來(lái)禁用這個(gè)功能：

functiontest2()a=zeros(3)@inboundsfori=1:4a[i] =iendendtest2()

這樣你就獲得了與 C 語(yǔ)言或 Fortran 一樣的不安全行為和執(zhí)行速度。這是 Julia 的另一個(gè)有趣的特性：默認(rèn)情況下是一個(gè)安全的腳本語(yǔ)言特性，在必要的時(shí)候禁用這個(gè)功能，以便獲得性能提升。

嚴(yán)格類(lèi)型

除了類(lèi)型穩(wěn)定性，你還需要嚴(yán)格類(lèi)型。在 Python 中，你可以將任何東西放入數(shù)組中。而在 Julia 中，你只能將類(lèi)型 T 放入 Vector {T} 中。Julia 提供了各種非嚴(yán)格的類(lèi)型，例如 Any。如果有必要，可以創(chuàng)建 Vector {Any}，例如：

a = Vector{Any}(undef,3)a[1] =1.0a[2] ="hi!"a[3] =:Symbolica3-element Array{Any,1}:1.0"hi!":Symbolic

Union 是另一個(gè)不那么極端的抽象類(lèi)型，例如：

a = Vector{Union{Float64,Int}}(undef,3)a[1] =1.0a[2] =3a[3] =1/4a3-elementArray{Union{Float64, Int64},1}:1.030.25

這個(gè) Union 只接受浮點(diǎn)數(shù)和整數(shù)。不過(guò)，它仍然是一個(gè)抽象類(lèi)型。接受抽象類(lèi)型作為參數(shù)的函數(shù)無(wú)法知道元素的類(lèi)型（在這個(gè)例子中，元素要么是浮點(diǎn)數(shù)，要么是整數(shù)），這個(gè)時(shí)候，多重分派優(yōu)化在這里起不到作用，所以 Julia 此時(shí)的性能就不如其他腳本語(yǔ)言。

所以我們可以得出一個(gè)性能原則：盡可能使用嚴(yán)格類(lèi)型。使用嚴(yán)格類(lèi)型還有其他好處：嚴(yán)格類(lèi)型的 Vector {Float64} 實(shí)際上與 C 語(yǔ)言或 Fortran 是字節(jié)兼容的，所以不經(jīng)過(guò)轉(zhuǎn)換就可以直接用在 C 語(yǔ)言或 Fortran 程序中。

不免費(fèi)的午餐

很明顯，Julia 為了在保持腳本語(yǔ)言特征的同時(shí)實(shí)現(xiàn)性能目標(biāo)，做出了非常明智的設(shè)計(jì)決策。但是，它也為此付出了一些代價(jià)。接下來(lái)，我將展示 Julia 的一些奇特的東西及其相應(yīng)的工具。

性能是可選的

之前已經(jīng)說(shuō)明了 Julia 提供了多種方法來(lái)提升性能（比如 @inbounds），但我們不一定要使用它們。你也可以編寫(xiě)類(lèi)型不穩(wěn)定的函數(shù)，雖然與 MATLAB、R 語(yǔ)言、Python 一樣慢，但你絕對(duì)可以這么做。在對(duì)性能要求沒(méi)有那么高的地方，可以將其作為一個(gè)可選項(xiàng)。

檢查類(lèi)型穩(wěn)定性

由于類(lèi)型穩(wěn)定性非常重要，Julia 為我們提供了一些工具，用來(lái)檢查一個(gè)函數(shù)是不是類(lèi)型穩(wěn)定的，其中最重要的是 @code_warntype 宏。讓我們用它來(lái)檢查一個(gè)類(lèi)型穩(wěn)定的函數(shù)：

@code_warntype2^5Body::Int64│2201─ %1= invoke Base.power_by_squaring(_2::Int64,_3::Int64)::Int64│ └──return%1

請(qǐng)注意，它將函數(shù)中所有變量都顯示為嚴(yán)格類(lèi)型。那么 expo 會(huì)是怎樣的？

@code_warntype expo(2,5)Body::Union{Float64, Int64}│?? >21─ %1= (Base.slt_int)(0, y)::Bool│ └── goto#3 if not %1│32─ %3= π (x, Int64)│? ^ │ %4= invoke Base.power_by_squaring(%3::Int64,_3::Int64)::Int64│ └──return%4│53─ %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

請(qǐng)注意，可能的返回值是％4 和％10，它們是不同的類(lèi)型，因此返回類(lèi)型被推斷為 Union {Float64,Int64}。為了準(zhǔn)確地追蹤這種不穩(wěn)定性發(fā)生的位置，我們可以使用 Traceur.jl：

using Traceur@trace expo(2,5)┌ Warning:xisassignedasInt64└ @ In[8]:2┌ Warning:xisassignedasFloat64└ @ In[8]:5┌ Warning:expo returns Union{Float64, Int64}└ @ In[8]:232

在第 2 行，x 被分配了一個(gè) Int，而在第 5 行又被分配了一個(gè) Float64，因此它被推斷為 Union {Float64, Int64}。第 5 行是我們放置顯式轉(zhuǎn)換調(diào)用的地方，這樣我們就確定了問(wèn)題所在的位置。

處理必要的類(lèi)型不穩(wěn)定性

首先，我已經(jīng)證明了某些在 Julia 會(huì)出錯(cuò)的函數(shù)在其他腳本語(yǔ)言中卻可以 “讀懂你的想法”。在很多情況下，你會(huì)發(fā)現(xiàn)你可以從一開(kāi)始就使用不同的類(lèi)型，以此來(lái)實(shí)現(xiàn)類(lèi)型穩(wěn)定性（為什么不直接使用 2.0^-5？）。但是，在某些情況下，你找不到合適的類(lèi)型。這個(gè)問(wèn)題可以通過(guò)轉(zhuǎn)換來(lái)解決，但這樣會(huì)失去類(lèi)型穩(wěn)定性。你必須重新考慮你的設(shè)計(jì)，并巧妙地使用多重分派。

假設(shè)我們有一個(gè) Vector {Union {Float64,Int}} 類(lèi)型的 a，并且可能遇到必須使用 a 的情況，需要在 a 的每個(gè)元素上執(zhí)行大量操作。在這種情況下，知道給定元素的類(lèi)型將帶來(lái)性能的大幅提升，但由于類(lèi)型位于 Vector {Union {Float64,Int}} 中，因此無(wú)法在下面這樣的函數(shù)中識(shí)別出類(lèi)型：

functionfoo(array)fori in eachindex(array)val = array[i]#doalgorithmXonvalendendfoo (genericfunctionwith1method)

不過(guò)，我們可以通過(guò)多重分派來(lái)解決這個(gè)問(wèn)題。我們可以在元素上使用分派：

functioninner_foo(val)#DoalgorithmXonvalendinner_foo(genericfunctionwith1 method)

然后將 foo 定義為：

functionfoo2(array::Array)foriineachindex(array)inner_foo(array[i])endendfoo2(genericfunctionwith1 method)

因?yàn)樾枰獮榉峙蓹z查類(lèi)型，所以 inner_foo 函數(shù)是嚴(yán)格類(lèi)型化的。因此，如果 inner_foo 是類(lèi)型穩(wěn)定的，那么就可以通過(guò)專(zhuān)門(mén)化 inner_foo 來(lái)提高性能。這就導(dǎo)致了一個(gè)通用的設(shè)計(jì)原則：在處理奇怪或非嚴(yán)格的類(lèi)型時(shí)，可以使用一個(gè)外部函數(shù)來(lái)處理邏輯類(lèi)型，同時(shí)使用一個(gè)內(nèi)部函數(shù)來(lái)處理計(jì)算任務(wù)，實(shí)現(xiàn)最佳的性能，同時(shí)仍然具備腳本語(yǔ)言的通用能力。

REPL 的全局作用域性能很糟糕

Julia 全局作用域的性能很糟糕。官方的性能指南建議不要使用全局作用域。然而，新手可能會(huì)意識(shí)不到 REPL 其實(shí)就是全局作用域。為什么？首先，Julia 是有嵌套作用域的。例如，如果函數(shù)內(nèi)部有函數(shù)，那么內(nèi)部函數(shù)就可以訪(fǎng)問(wèn)外部函數(shù)的所有變量。

functiontest(x)y=x+2functiontest2()y+3endtest2()endtest(genericfunctionwith1 method)

在 test2 中，y 是已知的，因?yàn)樗窃?test 中定義的。如果 y 是類(lèi)型穩(wěn)定的，那么所有這些工作就可以帶來(lái)性能的提升，因?yàn)?test2 可以假設(shè) y 是一個(gè)整數(shù)?，F(xiàn)在讓我們來(lái)看一下在全局作用域里會(huì)發(fā)生什么：

a=3functionbadidea()a+2enda=3.03.0

因?yàn)闆](méi)有使用分派來(lái)專(zhuān)門(mén)化 badidea，并且可以隨時(shí)更改 a 的類(lèi)型，因此 badidea 在編譯時(shí)無(wú)法進(jìn)行優(yōu)化，因?yàn)樵诰幾g期間 a 的類(lèi)型是未知的。但是，Julia 允許我們聲明常量：

consta_cons =3functionbadidea()a_cons+ 2endbadidea(genericfunctionwith1 method)

請(qǐng)注意，函數(shù)將使用常量的值來(lái)進(jìn)行專(zhuān)門(mén)化，因此它們?cè)谠O(shè)置后應(yīng)該保持不變。

在進(jìn)行基準(zhǔn)測(cè)試時(shí)會(huì)出現(xiàn)這種情況。新手會(huì)像下面這樣對(duì) Julia 進(jìn)行基準(zhǔn)測(cè)試：

a=3.0@timefori =1:4globalaa+= iend0.000006seconds (4allocations:64bytes)

但是，如果我們將它放在一個(gè)函數(shù)中，就可以實(shí)現(xiàn)優(yōu)化。

function timetest()a =3.0@timefori =1:4a += iendendtimetest()# First time compilestimetest()0.000001seconds0.000000seconds

這個(gè)問(wèn)題非常容易解決：不要在 REPL 的全局作用域內(nèi)進(jìn)行基準(zhǔn)測(cè)試或計(jì)算執(zhí)行時(shí)間。始終將代碼放在函數(shù)中，或?qū)⑺鼈兟暶鳛?const。

結(jié)論

速度是 Julia 的設(shè)計(jì)目標(biāo)。類(lèi)型穩(wěn)定性和多重分派對(duì) Julia 編譯的專(zhuān)門(mén)化起到了關(guān)鍵的作用。而要達(dá)到如此精細(xì)的類(lèi)型處理水平，以便盡可能有效地實(shí)現(xiàn)類(lèi)型穩(wěn)定性，并在不完全可能的情況下實(shí)現(xiàn)性能優(yōu)化，需要一個(gè)健壯的類(lèi)型系統(tǒng)。