对比来了!Julia 能打败 Python 和 R 成最终赢家吗?

  • 时间:
  • 浏览:0



由此看出 Julia 的优势

作者在撰写本文时,对这许多语言的熟悉程度如下:



在统计学上,这是截断的正态分布的最大似然估计(MLE)。

Julia 在执行第一次优化用了 7 秒,比 R 和 Python 都慢。对此,ChrisRackauckas 指出:



R 有一一有还还有一个 truncnorm 用于处理截断正态



没有人用 Python 和 Julia 做过对比实验。以 10⁵ 为界点进行计算,当数值比 10⁵ 更小时 Python 比 Julia 快的。但数值大于 10⁵ 后,Julia 的速度就比 Python 快太满太满 了。

作者在下方硬编码了在 MLE 估计中使用的 Q_t 的值:

输出效果如下,排版看起来很舒服,也支持数学公示显示:

R 的严重不足

通常亲戚亲戚朋友会尝试优化对数似然:

以下是作者使用 Julia 进行测试的情况表。使用 Julia 中的 Optim.jl,都并能 直接使用特殊符号(symbols)作为变量名称,按照使用习惯,此处作者使用了希腊字母 μσ。Julia 还有一一有还还有一个 JuMP.jl 包用于优化问题图片。但 JuMP.jl 更适合用于更高级的优化问题图片,用在此处不得劲小题大做。





输出结果:



R 的优势

结果将输出:

可能性你用 Julia 处理一一有还还有一个 10 秒内的问题图片,它的优势太满能体现出来。 而一旦处理的问题图片变简化,需大约比较长的时间,这时 Julia 的优势就会慢慢体现了。

Python 的优势

综上所述,许多语言的综合对比如下:

Julia 的严重不足

在这篇文章中,作者通过一一有还还有一个简单的似然函数优化(Maximum Likelihood Optimization)问题图片来对比 Julia,R 和 Python。这是一一有还还有一个比较小的优化问题图片,性能上的差异表现可能性不太明显,但处理问题图片的过程能很好地反应三者每每个人所有的优劣势。

”。

作者利用已有的 Python 学习经验想出如下方案,输入代码:

观察序列 Q1,Q2,...,Qn,亲戚亲戚朋友都要找到优化该似然函数的参数 μ 和 σ:



Python 的严重不足



Julia 布道者 ChrisRackauckas 另一一有还还有一个说过:

可能性你都要处理 50 个 10 秒的优化问题图片,第一次执行需大约 17 秒,接下来的优化不都要编译,大约只都要 10 秒。如果,总运行时长为 507 秒。太满太满 ,当用 Julia 处理一一有还还有一个 10⁵ 秒的问题图片时,这 7 秒基本都并能 忽略不记;但可能性用 Julia 处理 5 秒甚至更小的问题图片时,这 7 秒的差异就不得劲明显。

原文发布时间为:2018-09-4本文来自云栖社区协作伙伴“

Julia 第一次优化

”,了解相关信息都并能 关注“