Julia 学习笔记——1. 概述

这套笔记主要记录从 Python 和 MATLAB 迁移到 Julia 时需要关注的内容。

需要说明的是，这个系列不是零基础入门教程，而是围绕具体主题展开的整理型笔记，因此不同篇之间会有交叉，不严格追求循序渐进。

除非特别说明，下文默认以 Julia 最新版本 1.12 为准。

概述

Julia 对我而言更像是一种值得单独学习的科学计算语言，而不是 Python 或 MATLAB 的某个附属工具。

它最吸引人的地方很明确：

• 写法上尽量保留动态语言和科学计算语言的易用性；
• 执行上尽量逼近静态编译语言的性能；
• 语言本身直接把数组、线性代数、泛型函数和多重分派当作核心设计对象。

介绍

Julia 是一门面向科学计算的新兴语言，它的设计目标非常明确：希望同时拥有 Python/MATLAB 的易用性，以及 C/C++/Fortran 一类语言的运算效率。

Julia有很多与众不同的特点：

• 从设计定位来说，Julia 具有后发优势，是为 JIT 编译而量身定制的语言，目的是解决现在泾渭分明的动态语言和静态语言之间，优劣不能兼顾，因而必须组合使用的双语言问题。
• 从计算效率的角度，虽然和Python在使用时很相似，但是Julia的计算效率却比Python高很多。Python的科学计算模块Numpy等必须依赖于C/C++编写的底层库，但是Julia自身就可以提供足够的科学计算能力（主要是通过预编译实现的）。
• 从语法设计的角度，Python是按照通用语言设计的，并没有关注于科学计算编程中的语法便利性，Julia和MATLAB、Fortran、R语言的定位类似，充分为科学计算的效率和便利性考虑，提供了足够多的语法糖。这些语法糖其实有利有弊，一个典型的特征是索引从0还是从1开始，选择从1开始的语言具有明显的科学计算定位。
• 作为一种新兴语言，采用了很多较新颖的语法设计，比如抛弃了传统的面向对象编程，仅支持C风格的结构体等。

但是Julia还是有很多争议的，比如：

• Julia的发展时间太短了，主要的语法特性并不稳定；
• 各种基础库不如其它语言全面和健壮，甚至有的基础库还存在低级问题；
• 用户群体相比其他语言太小，相应的教程和社区讨论相对缺乏；
• 第三方库不够丰富，由于跨语言调用比较方便，出现了大量依赖 Python 包的趋势。

Julia最理想的应用场景如下：

• 使用与 Python/MATLAB 相当的简单方式编写 demo 代码；
• 对现有代码进行简单优化，就可以达到与 C/C++/Fortran 相当的性能。

在整个过程中，不需要从动态语言 Python/MATLAB 迁移到静态语言 C/C++/Fortran 的代码重写或者跨语言组合方案，完全可以通过 Julia 自身来实现。

综合考虑，还是值得系统了解一下。

相关网站：

• Julia 官网
• CheatSheet（中文）
• MATLAB–Python–Julia cheatsheet

Julia 常识

运行方式

最基本的几种使用方式如下：

• 直接启动 Julia REPL，进入交互模式；
• 执行 .jl 脚本文件；
• 使用命令行选项直接执行表达式或项目代码。

最常见的命令例如：

julia

julia hello.jl

julia -e "println(1 + 2)"

其中：

• 直接输入 julia 会进入 REPL；
• julia hello.jl 会执行脚本；
• julia -e 适合快速测试一小段代码。

如果希望脚本执行完成后仍然留在交互环境中，可以使用：

julia -i hello.jl

这点和 Python 的 python -i script.py 很类似。

脚本与项目

如果脚本依赖当前目录下的 Julia 项目环境，通常会写成：

julia --project=. hello.jl

这表示使用当前目录下的 Project.toml / Manifest.toml 作为环境。

如果只是随手写的小脚本，没有项目环境要求，那么直接执行 julia hello.jl 就够了。

查看版本

查看 Julia 版本最常见的方式：

julia --version

输出形如：

julia version 1.12.x

REPL 和脚本的区别

和 Python 一样，Julia 的 REPL 与脚本执行体验并不完全一样。

最常见的差异包括：

• REPL 会自动显示表达式结果，脚本不会；
• REPL 中有 ans 等交互式便利特性；
• 某些作用域相关行为在 REPL 和脚本里需要格外注意。

因此，平时可以把它们简单区分为：

• REPL：适合试验和探索；
• 脚本：适合真正保存和执行代码。

迁移视角

默认读者已经熟悉 Python 和 MATLAB，这里不会把所有语法差异逐条铺开，而只保留几个会反复影响后续阅读的结论：

• Julia 的整体定位更接近“高性能科学计算语言”，而不是通用脚本语言，因此数组、线性代数、广播、类型系统和函数分派都处在语言中心。
• 语法观感上，它同时吸收了 Python、MATLAB、Fortran 等语言的一些习惯，但底层执行模型并不接近这些解释型工作流，而是明显更靠近带 JIT 的编译型路线。
• 从 Python 迁移时，最需要重新适应的通常是：1-based 索引、闭区间切片、* 直接表示矩阵乘法、严格得多的类型和方法分派、以及更强的编译参与感。
• 从 MATLAB 迁移时，最需要重新适应的通常是：真正的一维数组、更加严格的作用域与类型语义、模块和包管理、以及不再依赖“脚本工作区 + 向量化优先”的使用习惯。（MATLAB 的语言设计整体已经落后了）
• Julia 里很多“写起来像脚本语言”的代码，背后其实都在为后续的类型推断和特化编译服务，因此写法是否利于推断，会比 Python 和 MATLAB 中重要得多。
• 这套笔记后面各篇会在必要处顺手提一下和 Python / MATLAB 的差异，但默认不再展开基础背景。

如果考虑底层实现，那么 Julia 与 MATLAB/Python 实际上并不算同一路线，反而更适合和 C/C++ 对照来看：C++ 有明确分开的编译期和运行期，而 Julia 则把这两部分更紧密地揉在了一起，这导致用户始终需要编译器参与 Julia 程序的执行。

Julia 使用了一个基于 LLVM 的 JIT 编译器，编译行为对用户基本上是透明的，用户在基本使用时无需考虑这些因素，但是在考虑代码的效率优化以及高性能计算时需要考虑这部分因素。

例如 C++ 的模板实例化完全发生在编译期，而 Julia 则会在函数首次调用时（不是函数定义时）针对不同类型触发专门的方法编译，这当然会带来明显的首次调用开销；在下一次遇到相同类型时，这部分代价通常就不需要再次支付了。

Julia 与 MATLAB/Python 在向量化方面存在截然不同的表现：

• MATLAB 和 Python 的原生 for 循环非常慢，通常必须使用向量化语法，通过调用底层代码来加速；
• Julia 直接使用原生 for 循环通常已经足够高效，虽然也支持向量化，但向量化并不一定天然更快；如果产生额外的数据拷贝，反而可能更慢。对 Julia 来说，向量化更多是表达风格问题，而不是默认的性能捷径。

基本语法

注释

Julia 和 Python 一样使用 # 表示注释，支持多行注释：使用 #= 开始，使用 =# 结束，但是并不常见。

标识符

标识符可以使用字母，下划线或数字组成，对大小写敏感，数字不能在开头。

Julia 实际和 Python 3 一样，可以使用除了内部标识符和运算符之外的绝大多数 Unicode 字符作为标识符，不需要局限于英文字母，而且某些语义相同、形态相似的 Unicode 字符会被视作相同字符。

虽然 Julia 很强调 Unicode 友好，可以在把科学计算公式翻译为代码时更加方便，但在一般工程代码中，仍然更建议把变量名控制在英文、数字和下划线范围内。

变量

在入门阶段，可以认为 Julia 的变量机制和 Python 基本类似，因此不再展开。

Julia 有内置常量或函数，比如 pi 和 ans，甚至允许我们覆盖内置的定义，例如重新赋值 pi=3，但是前提是在此之前我们从未使用过它，否则赋值会报错。

在交互式环境中，上一次的表达式结果会自动存储在特殊的内置变量 ans 中，但是如果我们在第一次就对其赋值，那么 ans 的默认功能就会失效。

常量

与 Python 不同，Julia 支持定义固定类型的常量，例如

const a = 1;

a = 1; # 无实质更改，不会报错或提示

a = 2; # 不改变类型，但是改变值，会发出警告
# WARNING: redefinition of constant Main.a. This may fail, cause incorrect answers, or produce other errors.

a = 3.0; # 改变类型，会报错
# ERROR: invalid redefinition of constant Main.a

注意：

• 在定义 const 变量之前，必须确保它不是一个已经定义的变量，否则定义会报错。
• 虽然修改 const 变量的值可能不会报错，但是仍然不建议修改，因为与 C/C++ 类似，常量的修改不符合语义，可能在部分代码的编译中直接固定了常量的值，后续对常量的修改可能不会生效，进而导致产生不符合预期的结果。
• const a, b = 1, 2 会同时创建两个常量。

命名规范

虽然 Julia 对标识符的限制很少，但是 Julia 文档还是提供了一份命名规范：

• 变量使用小写加下划线
• 常量使用全大写
• 函数和宏的名称使用小写加下划线
• 对于会修改输入变量的函数，名称以!结尾，这些函数又叫做 “mutating” 或 “in-place” 函数
• 类型和模块名称使用大驼峰

但是 Julia 不鼓励大量使用下划线，除非缺少下划线时的名称难以理解。

shell/REPL

需要介绍一下 Julia 的 shell/REPL 中的相关操作，它内置了多个模式，可以根据当前的提示符来区分：

• julia> 表示 Julia 的普通模式，以 REPL 形式运行 Julia 代码，这是默认模式，其它特殊模式都可以通过 backspace 退回到普通模式
• help?> 表示 Julia 的帮助模式，普通模式按?进入，例如在普通模式可以输入?sqrt查询相关内容，在读取?时自动进入帮助模式，在展示帮助信息后自动退出
• (@v1.12) pkg> 表示 Julia 的包管理模式，普通模式按]进入，Julia 提供了一整套包管理的命令，暂不讨论
• shell> 表示 Julia 的 shell 模式，普通模式按;进入，注意这里的 shell 模式并不是 bash/pwsh，而是非常受限的，有很多 shell 的内置命令都不能使用。

在各种模式下（包括执行脚本）都需要注意当前的工作目录：

• 在普通模式，可以使用 pwd() 获取当前工作目录，使用 cd() 可以改变当前工作目录，在 Shell 模式则可以使用常见的目录切换命令。
• 与 MATLAB 类似，对于 julia 脚本，最好在开头把工作目录设置为脚本所在目录（使用 cd(@__DIR__)，这样脚本中的文件路径都是相对于脚本所在位置的，保证脚本可靠运行。

Julia 的这种分模式的处理显然吸取了 MATLAB 虚拟终端的设计失败教训。

关于特殊符号的输入：

• 有时需要使用一些 Unicode 字符，在 REPL 中通常直接使用 LaTeX 代码（例如\div）加上 tab键就可以切换（在 Jupyter Notebook 中也支持）。
• 如果不知道特殊符号应该如何输入，可以在 REPL 中输入 ? 进入帮助模式，然后粘贴对应的 Unicode 字符，就可以获得关于这个字符的输入方法。

exit() 或 ctrl+d 可以退出 REPL。

输入输出基础

简单介绍一下基本的输入输出操作。

print() 和 println() 可以向控制台输出内容，区别是后者自带一个回车。

print("hello,world!\n")
println("hello,world!")

也可以直接输出多个字符串，中间不会加入分隔符

print("a","b") # ab

Julia 支持和 Python 的 f-string 类似的格式化输出方式，在字符串中可以使用 $ 插入变量或表达式，有歧义时需要加小括号，例如

a = 1;
print("a=$a") # a=1

b = 2;
print("$(a+b)") # 3

readline() 可以从控制台获取一行输入数据，得到的是字符串数据，例如

s = readline()

通常需要对输入数据进行类型转换，可以使用 parse() 函数，例如

s = readline()      # "123"
x = parse(Int, s)   # 123

日志打印

Julia 内置了一些信息输出的宏，包括 @show、@debug、@info、@warn 和 @error，例如

julia> @show "hi"
"hi" = "hi"
"hi"

julia> @debug "hi"

julia> @info "hi"
[ Info: hi

julia> @warn "hi"
┌ Warning: hi
└ @ Main REPL[12]:1

julia> @error "hi"
┌ Error: hi
└ @ Main REPL[13]:1

注意这里 @debug 的信息默认不会显示出来。

更完整的日志系统由 Logging 这个包提供支持。