对比来了!Julia 能打败 Python 和 R 成最终赢家吗?

  • 时间:
  • 浏览:1
  • 来源:大发彩神苹果下载app—大发彩神官方下载

由于你需要出理 5000 个 10 秒的优化大大问题,第一次执行需共要 17 秒,接下来的优化需要编译,共要只需要 10 秒。但会 ,总运行时长为 50007 秒。全都有,当用 Julia 出理 4个 10⁵ 秒的大大问题时,这 7 秒基本可需要忽略不记;但由于用 Julia 出理 5 秒甚至更小的大大问题时,这 7 秒的差异就特别明显。

由于你用 Julia 出理 4个 10 秒内的大大问题,它的优势不需要能体现出来。 而一旦出理 的大大问题变复杂性,需共要比较长的时间,这时 Julia 的优势就会慢慢体现了。

Python 的优势

”。

结果将输出:



R 的缺陷

输出效果如下,排版看起来很舒服,也支持数学公示显示:

”,了解相关信息可需要关注“



许多人用 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 的下行速率 单位就比 Python 快全都有了。





作者在下方硬编码了在 MLE 估计中使用的 Q_t 的值:

在统计学上,这是截断的正态分布的最大似然估计(MLE)。





作者在撰写本文时,对这有某种语言的熟悉程度如下:

Julia 的缺陷



Julia 布道者 ChrisRackauckas 本来说过:



观察序列 Q1,Q2,...,Qn,亲们需要找到优化该似然函数的参数 μ 和 σ:

作者利用已有的 Python 学习经验想出如下方案,输入代码:

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

原文发布时间为:2018-09-4本文来自云栖社区合作方式方式伙伴“

输出结果:

R 4个 truncnorm 用于出理 截断正态

Julia 第一次优化

在这篇文章中,作者通过4个 简单的似然函数优化(Maximum Likelihood Optimization)大大问题来对比 Julia,R 和 Python。这是4个 比较小的优化大大问题,性能上的差异表现由于不太明显,但出理 大大问题的过程能很好地反应三者每各人的优劣势。

综上所述,有某种语言的综合对比如下:

R 的优势

Python 的缺陷



以下是作者使用 Julia 进行测试的具体情况。使用 Julia 中的 Optim.jl,可需要直接使用特殊符号(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4个 JuMP.jl 包用于优化大大问题。但 JuMP.jl 更适合用于更高级的优化大大问题,用在此处特别小题大做。

通常亲们会尝试优化对数似然:

由此看出 Julia 的优势