Julia (Programmiersprache)

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Julia
Official Julia logo
Basisdaten
Paradigmen: Multiparadigma (prozedural, funktional, objektorientiert, Metaprogrammierung)
Erscheinungsjahr: 2012
Designer: Jeff Bezanson, Stefan Karpinski, Viral B. Shah, Alan Edelman
Entwickler: Jeff Bezanson, Stefan Karpinski, Viral B. Shah u. a.[1][2]
Aktuelle Version: 0.6.1  (25. Oktober 2017[3][4])
Aktuelle Vorabversion: 0.7.0-DEV  (tägliche Updates)
Typisierung: dynamisch mit Typinferenz
Wichtige Implementierungen: Julia JIT (just-in-time) compiler
Beeinflusst von: MATLAB, Scheme, Lisp, ML, Cecil, Dylan, PyPy, Perl, R, Ruby, Lua[5]
Betriebssystem: Linux, macOS, FreeBSD, Windows
Lizenz: MIT-Lizenz, GPL, LGPL, BSD
julialang.org

Julia ist eine höhere Programmiersprache, die vor allem für numerisches und wissenschaftliches Rechnen entwickelt wurde. Sie kann dennoch als eine General Purpose Language verwendet werden, bei gleichzeitiger Wahrung einer hohen Ausführungsgeschwindigkeit.[6][7][8][9][10] Die Syntax erinnert stark an Matlab, wie auch andere technische Programmiersprachen. Der Compiler wurde in C, C++ und Scheme geschrieben, die Standardbibliothek ist in Julia selbst geschrieben. Die Entwicklung begann im Jahr 2009, die erste Open-Source-Version hingegen wurde erst im Februar 2012 veröffentlicht. Von der Geschwindigkeit her kann Julia in dem Bereich von C und Fortran eingeordnet werden, wohingegen andere wissenschaftliche Sprachen wie beispielsweise Matlab, GNU Octave oder R signifikant langsamer sind. Charakterisiert wird das Design der Sprache durch ein Typsystem, das parametrisierte Typen erlaubt, eine komplett dynamische Programmierumgebung und Multimethoden als zentrales Paradigma. Julia erlaubt paralleles und verteiltes Ausführen von Programmen und den direkten Aufruf von C- und Fortran-Bibliotheken. Julia enthält standardmäßig einen Garbage Collector[11] und effiziente Implementierungen für Operationen mit Gleitkommazahlen und zur linearen Algebra, zur Generierung von Zufallszahlen und zur Verarbeitung regulärer Ausdrücke.

Eigenschaften[Bearbeiten | Quelltext bearbeiten]

Die offizielle Website stellt folgende Eigenschaften als wichtig heraus:

Julia wurde stark von Lisp-Dialekten, in erster Linie Scheme und Common Lisp, beeinflusst und hat Gemeinsamkeiten mit Sprachen, die ebenfalls Multimethoden unterstützen. Dazu zählen Dylan mit einer ALGOL-ähnlichen Syntax statt der Lisp-ähnlichen polnischen Notation und Fortress mit umfangreichem parametrischem Typ-System. CLOS erweitert Common Lisp um Multimethoden mit der Einschränkung, dass nur benutzerdefinierte Funktionen, welche zuvor als generisch deklariert wurden, mit Multimethoden erweitert werden können.

Jedoch ist in Julia, Dylan und Fortress die Multimethode der Standard, und die eingebauten Funktionen sind gänzlich generisch und erweiterbar. In Dylan werden Multimethoden genauso grundlegend behandelt wie in Julia: Sämtliche benutzerdefinierte Funktionen und eingebaute mathematische Operatoren wie die Addition mit + sind generisch. Dylans Typsystem unterstützt jedoch nicht vollständig parametrische Typen, was sich eher in von ML abstammenden Sprachen findet. Standardmäßig unterstützt CLOS keine parametrischen Typen für Multimethoden; dies muss durch das Metaobject Protocol hinzugefügt werden. Fortress erlaubt wie Julia parametrische Typen für Multimethoden, jedoch ist Fortress im Gegensatz zu Julia statisch typisiert, sodass Kompilierung und Ausführung in getrennten Phasen stattfinden. Die Tabelle fasst diese Eigenschaften zusammen:

Sprache Typ-System Multimethoden Parametrische Typen
Julia dynamisch Standard ja
Common Lisp dynamisch als Erweiterung partiell (nicht für Multimethoden)
Dylan dynamisch Standard partiell (nicht für Multimethoden)
Fortress statisch Standard ja

Version 0.4[14] macht es möglich eigenständig lauffähige ausführbare Dateien mit build_executable.jl[15] zu erstellen, während Julia standardmäßig, ähnlich wie Python, vorinstalliert sein muss.

Benutzerinteraktion[Bearbeiten | Quelltext bearbeiten]

Julia enthält standardmäßig ein interaktives Kommandozeilenprogramm REPL (Read–eval–print loop), welches zum Experimentieren und schnellen Testen von Code verwendet werden kann.[16] Ein Ausschnitt aus dem REPL könnte wie folgt aussehen:[17]

julia> p(x) = 2x^2 + 1; f(x, y) = 1 + 2p(x)y
julia> println("Hello world!", " I’m on cloud ", f(0, 4), " as Julia supports recognizable syntax!")
Hello world! I’m on cloud 9 as Julia supports recognizable syntax!

Das REPL gibt dem Benutzer Zugriff auf die System-Shell und stellt einen Hilfemodus zur Verfügung, indem ; oder ?, dem Kommando vorangestellt, nach der Eingabeaufforderung eingegeben werden. REPL speichert die Chronik aus eingegebenen Kommandos und solchen zwischen Sitzungen.[18] liefert Codebeispiele, die direkt in REPL eingegeben oder in einer separaten Datei mit einer .jl-Endung gespeichert werden können, welche durch $ julia <filename> in der System-Shell aufgerufen wird.[19]

Paketmanager[Bearbeiten | Quelltext bearbeiten]

In Julias Paketmanager ist jedes Paket (Programmbibliothek) ein Git-Repository, welches an einem beliebigen öffentlich erreichbaren Ort gespeichert werden kann. Die Abhängigkeiten zu Paketen werden in METADATA.jl[20] verwaltet, wodurch eine Installation von Paketen über Julia mit Pkg.add("PaketName") ermöglicht wird.

Üblicherweise werden Pakete in Julia geschrieben; sie können jedoch auch Quellcode für C, Fortran, Python oder andere Sprachen (durch BinDeps[21]) enthalten, solange ein entsprechender Compiler installiert ist, welcher den Quellcode beim Installieren des Pakets kompiliert. Alternativ ist es möglich Maschinencode durch WinRPM[22] einzuschließen.

Verwendung mit anderen Sprachen[Bearbeiten | Quelltext bearbeiten]

Viele Pakete[23] sind verfügbar um andere Sprachen innerhalb von Julia aufzurufen. Beispielsweise ist das Paket JavaCall[24] verfügbar, um Java von Julia aus aufzurufen, Mathematica[25], um Mathematica aufzurufen,[26] das Aufrufen von Rust ist möglich,[27][28] und node-julia erlaubt (jedoch zurzeit nicht unter Windows)[29] JavaScript/node.js die Verwendung für asynchrone (Web-)Server. Für PHP, Perl und andere Sprachen, erlaubt Polyglot[30] einen transparenten Fernaufruf und rekursive Auswertung von Funktionen in anderen Sprachen, so als wären sie reguläre Julia-Funktionen. Es erlaubt auch anderen Sprachen Julia-Funktionen aufzurufen, so als wären sie nativ. Mit Polyglot.jl hat Julia ebenfalls native und Wrapper-Pakete für symbolische Mathematik.

Standardmäßig unterstützt Julia UTF-8, UTF-16 und UTF-32, jedoch können die optionalen Pakete ICU[31], ein Wrapper für International Components for Unicode und UnicodeExtras[32] für eine erweiterte Unicodeunterstützung verwendet werden. Außerdem ist für die Erstellung und das Arbeiten mit Browserfenstern das Paket Blink[33] verfügbar.

Für Julia gibt es Wrapper-Bibliotheken, um mit grafischen Benutzeroberflächen zu arbeiten, wie beispielsweise das (zumindest für Linux, Windows und macOS) plattformunabhängige GTK+, Qt (verwendet PySide), Tk oder JGUI[34], welches die Unterschiede der vorherigen verbirgt und das verwendet, was verfügbar ist.

Es gibt zahlreiche einzelne SQL- oder NoSQL-Datenbankenschnittstellen und das generische ODBC[35] für datenbankübergreifenden Zugriff.

Während Julia standardmäßig Eager Evaluation (frühe Auswertung) verwendet, liefert das Lazy[36]-Paket Grundlagen für funktionales Programmieren – Lazily-evaluated-Listen und eine große Bibliothek von Funktionen, um mit diesen zu arbeiten.

Verwendung für Statistik- und Datenanalyse[Bearbeiten | Quelltext bearbeiten]

Julia wurde mit dem Ziel erschaffen, so einfach für Statistik zu sein wie R es ist.[10]

Für den Fall, dass Julia Statistikfunktionen fehlen, die in R verfügbar sind, stehen die Pakete RCall[37] und Rif[38] zur Verfügung und für den umgekehrten Fall RJulia[39] um Julia von R aufzurufen.

Gadfly[40] ist verfügbar um in Julia statistische Grafiken zu erstellen. Um mit Verteilungen zu arbeiten gibt es das Paket Distributions.[41]

Ohne eine gemeinsame Verwendung mit R existiert Rmath in Julia. Rmath ist eine Bibliothek von R, welche einfache statistische Funktionen enthält. Julia verwendet eine gepatchte Version von Rmath, welche dSFMT (double precision SIMD-oriented Fast Mersenne Twister) als zu Grunde liegenden Zufallszahlengenerator für schnellere normalverteilte Zufallszahlen nutzt.[42][43]

Es gibt mittlerweile genug Pakete, welche zusammengenommen Julia in ihrem gesamten Potential aufleben lassen könnten und sie zur Sprache der nächsten Generation für Datenanalyse werden lassen könnte.[44][45]

Praktisch gesehen stellen Multimethoden die objektorientierte Programmierung auf den Kopf, statt das Kapseln von Funktionen oder Methoden in Datenstrukturen oder Objekten, werden die Funktionen effektiv für verschiedene Datenstrukturen überladen. Das objektorientierte Paradigma ist kein natürlicher Weg für Daten- und Algorithmenwissenschaftler zu arbeiten, eines der großartigen Dinge von R ist, dass es erlaubt, Programme einfach und schnell zu schreiben indem man eine angenehme und mächtige Programmierschittstelle zur Verfügung stellt. Julia bringt dies einen Schritt weiter und macht es explizit und klar, dass wir Funktionen für spezifische Datenstrukturen schreiben, jedoch mit der Option, „catch-all“ Funktionen zu schreiben, um mit beliebigen Datentypen umzugehen. Manchmal wird gefragt, ob R oder Python die am häufigsten verwendete „datenwissenschaftliche“ Programmiersprache sein wird, jetzt haben wir einen Außenseiter, einen Späteinsteiger im Rennen, einen Neuzugang, der sich eines Tages diese besondere Krone schnappen könnte.[46]

Anzeige von Assemblercode[Bearbeiten | Quelltext bearbeiten]

Die kompilierte Assemblersprache lässt sich für jede gerade erst eingegebene Funktion anzeigen. Selbst für eingebaute Funktionen wie den Additionsoperator + ist dies möglich. Bei Operatoren wie + handelt es sich in Julia ebenso lediglich um Funktionen, was durch syntaktischen Zucker ermöglicht wird:

julia> code_native(+, (Float64, Float64))
	.text
Filename: float.jl
Source line: 120
	push	RBP
	mov	RBP, RSP
Source line: 120
	addsd	XMM0, XMM1
	pop	RBP
	ret

Implementation[Bearbeiten | Quelltext bearbeiten]

Der Kern von Julia wurde in C und C++ implementiert, der Parser in Scheme (femtolisp[47]), außerdem wurde das LLVM-Compilerframework dazu verwendet, optimierten 64-Bit- oder 32-Bit-Maschinencode Just-in-time (JIT) zu generieren. Abgesehen von wenigen Ausnahmen (wie libuv) wurde die Standardbibliothek in Julia selbst geschrieben. Die Ausführungsgeschwindigkeit von Julia ist besonders hoch im Vergleich zu Sprachen, die ähnliche Zwecke erfüllen. Optimierter C-Code ist meist höchstens doppelt so schnell wie Julia-Code, sodass Julia-Code eine Größenordnung schneller ausgeführt wird als Python- oder R-Code.[48] Die Entwicklung von Julia begann 2009, eine Open-Source-Version wurde im Februar 2012 veröffentlicht.[49]

Julia verwendet einen Mark-and-Sweep-Garbage-Collector zur Speicherbereinigung. Für hochperformante Zahlenverarbeitung stellt diese Wahl kein Problem dar. Bei Berechnungen in Echtzeit, wie etwa bei Audioverarbeitung, kann eine inkrementelle Implementierung des Garbage Collectors deutlich bessere Performance liefern.[50] In der Version 0.4-dev wurde ein neuer Garbage Collector implementiert, welcher bis zu doppelt so schnell sein kann wie der in den stabilen Versionen 0.3.x.[51]

Der Versionszweig 0.3 hatte einen Zeitplan von einem Release pro Monat, in welchem Fehler behoben und einige neue Funktionen von 0.4 übertragen wurden.

Im November 2015 wurde eine Spende der Gordon and Betty Moore Foundation in Höhe von 600.000 US-Dollar bekannt um die Entwicklung der Sprache voranzutreiben und Version 1.0 zu erreichen.[52]

Aktuell ist Version 0.6. Nach 0.7 soll die dann stabile Version 1.0 (geplant Ende 2017) für einige Jahre weiter stabilisiert werden. Inkonsistenzen, fehlende Konstrukte und Bibliotheken, sowie Performanceprobleme in Teilbereichen sollen dann gelöst sein.[53]

Aktuelle und geplante Plattformen[Bearbeiten | Quelltext bearbeiten]

Auch wenn Julia-JIT die LLVM verwendet[54] (MCJIT[55] der LLVM), wird dennoch nativer Maschinencode generiert, sobald eine Funktion das erste Mal ausgeführt wird. Im Gegensatz zu Java oder Dalvik wird in Julia kein in einer virtuellen Maschine laufender Bytecode generiert.

Unterstützt werden neuere x86- und ältere i386-Prozessorarchitekturen, außerdem wird in der Version 0.4.0-dev die 32-Bit ARMv7 unterstützt (Experimental and early support[56] während die Ergebnisse noch nicht fertig sind, Von einigen Tests ist bekannt, dass sie fehlschlagen, und Stacktraces sind nicht verfügbar[57] mit Alpha-Unterstützung für den Raspberry Pi 1 und Pi 2[58][59] jedoch startet Julia [auf ARMv7] Samsung Chromebook […] ohne Probleme[60]), an PowerPC wird noch gearbeitet.[61][62]

Einbindung in andere Sprachen[Bearbeiten | Quelltext bearbeiten]

Die Julia-C-API erlaubt es, dass Julia-Funktionen (das heißt die gesamte Laufzeitumgebung inklusive Bibliotheken) von C-Programmen ausgeführt werden können, ohne Daten kopieren zu müssen. Sprachen, die C aufrufen können, werden unterstützt (ausgenommen dem Fall, dass die CPU nicht von allen drei Umgebungen unterstützt wird), wie beispielsweise C++, möglicherweise C# (für C# unter Windows 8.1 ist Version 0.4 nötig).[63] Außerdem wird Python unterstützt,[64] wobei Aufrufe, auch rekursive, in beide Richtungen möglich sind.[65] Für Sprachen, die Ausnahmen unterstützen, können die Ausnahmen, die in Julia geworfen werden, abgefangen werden und in der Zielsprache erneut geworfen werden (in C, welches keine Ausnahmen unterstützt, sollten diese in Julia abgefangen und behandelt werden).

Es gibt eine Bibliothek um C++ aufzurufen (ohne dass C verwendet werden muss um Name-Mangling zu vermeiden), welche auf sogenannte Staged Functions angewiesen sind; dies ist jedoch erst ab Version 0.4.0-dev möglich.

Ein Compiler nach JavaScript um Ausführungen im Browser zu erlauben befindet sich in Entwicklung.[66]

Transcompiler Julia2C[Bearbeiten | Quelltext bearbeiten]

Der Transcompiler Julia2C,[67] ein von Intel Labs erstellter Fork von Julia, übersetzt Funktionen oder ganze Programme mit der Syntax von Julia in C-Code statt nativen Maschinencode, um so Kompatibilität mit anderen CPUs zu gewährleisten. Der Compiler soll es ermöglichen Code auf einer höheren Ebene als C zu analysieren.[68]

Alternativen[Bearbeiten | Quelltext bearbeiten]

Die älteste Alternative zu und gleichzeitig eines der Vorbilder von Julia ist MATLAB, eine Sprache und Desktop-Umgebung, die seit 1984 kommerziell von MathWorks entwickelt und vertrieben wird.

Da Julia als Sprache auf den quelloffenen Bibliotheken LAPACK und BLAS basiert, existieren mehrere Alternativen zu Julia mit mindestens gleicher numerischer Qualität. Diese Alternativen fokussieren sich oft auf die Möglichkeiten als Programmiersprache. Vom französischen INRIA (Institut National de Recherche en Informatique et en Automatique) stammt die Alternative Scilab/Xcos. Im Bereich der Freien Software gibt es mehrere quelloffene Projekte, welche jedoch meist die Funktionalität von MATLAB nachbilden und einzelne Aspekte hervorheben. Im Rahmen des GNU-Projektes ist GNU Octave entstanden, das in weiten Teilen codekompatibel zu MATLAB ist. Ein anderes ist das Softwarepaket FreeMat.

NumPy und Matplotlib sind Python-Bibliotheken, die Python um wissenschaftliches Rechnen und Analysefunktionen ausbauen. NumPy basiert ebenfalls auf LAPACK und BLAS. Die Syntax von Python/NumPy unterscheidet sich von Julia, möchte jedoch vergleichbar einfach sein.

Zwei weitere Alternativen sind die JVM-basierte Programmiersprache Scala (mit der Programmbibliothek ND4S) und ILNumerics, welches auf .NET aufsetzt.

Die größeren Computeralgebrasysteme wie Maple und Mathematica sind vor allem für symbolische Berechnungen gedacht und enthalten numerische Algorithmen.

Siehe auch[Bearbeiten | Quelltext bearbeiten]

Weblinks[Bearbeiten | Quelltext bearbeiten]

 Commons: Julia – Sammlung von Bildern, Videos und Audiodateien

Einzelnachweise[Bearbeiten | Quelltext bearbeiten]

  1. LICENSE.md. GitHub.
  2. Contributors to JuliaLang/julia. GitHub.
  3. github.com
  4. github.com
  5. julia.readthedocs.org
  6. The Julia Language.
  7. Avi Bryant: Matlab, R, and Julia: Languages for data analysis. O’Reilly Strata. 15. Oktober 2012.
  8. Paul Krill: New Julia language seeks to be the C for scientists. InfoWorld. 18. April 2012.
  9. Klint Finley: Out in the Open: Man Creates One Programming Language to Rule Them All. Wired. 3. Februar 2014.
  10. a b dotnetpro.de: Julia schlägt Python, Matlab, Octave und R. Neue Mediengesellschaft Ulm mbH, 3. April 2012; abgerufen am 20. März 2017.
  11. Suspending Garbage Collection for Performance... good idea or bad idea?.
  12. groups.google.com
  13. github.com
  14. groups.google.com
  15. build_executable.jl
  16. Interacting With Julia
  17. Siehe auch: julia.readthedocs.org für String Interpolation
  18. Julia Documentation. Abgerufen am 20. März 2017.
  19. Learn Julia in Y Minutes
  20. METADATA.jl (zentrales Paketverzeichnis für Julia)
  21. BinDeps.jl
  22. WinRPM.jl
  23. Julia Package Library. Abgerufen am 18. November 2014.
  24. JavaCall.jl
  25. Mathematica.jl
  26. Julia aus Mathematica aufrufen. Abgerufen am 9. April 2015.
  27. Verwendung von Rust in Perl und Julia. Abgerufen am 15. Mai 2015: „Julia is even easier to use [than Perl, in the given example]“
  28. Stefan Karpinski: Julia and the Rust Language. 5. September 2013. Abgerufen am 15. Mai 2015: „Since Rust uses the C ABI, we can already call Rust libraries just as well as C. I have no idea what Erlang’s ABI is like, but if it can expose a C ABI, then we can call it. Beyond that would take some work but is certainly possible.“
  29. Limitations. In: node-julia. Abgerufen am 28. Mai 2016.
  30. Polyglot.jl
  31. ICU.jl
  32. UnicodeExtras.jl
  33. Blink.jl
  34. JGUI.jl
  35. ODBC.jl
  36. Lazy.jl
  37. RCall.jl
  38. Rif.jl
  39. RJulia.jl
  40. Gadfly.jl
  41. distributionsjl.readthedocs.org
  42. dmbates.blogspot.com
  43. github.com
  44. johnmyleswhite.com
  45. Für einen Überblick, siehe den STATISTICS-Abschnitt (und Operations Research, Economics and Valuation – Finance).
  46. active-analytics.com
  47. femtolisp
  48. Julia: A Fast Dynamic Language for Technical Computing (PDF) 2012.
  49. Mark Gibbs: Pure and Julia are cool languages worth checking out. In: Network World. 9. Januar 2013. Abgerufen am 21. März 2017.
  50. github.com WIP: Incremental GC
  51. github.com Generational behavior for the garbage collector
  52. Rainald Menge-Sonnentag: Programmiersprachen: Finanzspritze soll Julia auf Release-Kurs bringen. In: heise Developer. Heise Medien GmbH & Co. KG, 16. November 2015; abgerufen am 18. November 2015.
  53. https://www.heise.de/developer/artikel/Funktionsorientiert-und-schnell-Die-Programmiersprache-Julia-3793160.html
  54. Support MCJIT. Abgerufen am 26. Mai 2015.
  55. Using MCJIT with the Kaleidoscope Tutorial. 22. Juli 2013. Abgerufen am 26. Mai 2015.
  56. github.com
  57. github.com
  58. Cross-compiling for ARMv6. Abgerufen am 16. Mai 2015: „I believe #10917 should fix this. The CPU used there arm1176jzf-s.“
  59. ARM build failing during bootstrap on Raspberry Pi 2. Abgerufen am 16. Mai 2015: „I can confirm (FINALLY) that it works on the Raspberry Pi 2 [..] I guess we can announce alpha support for arm in 0.4 as well.“
  60. github.com
  61. github.com
  62. Porting Julia to PowerPC. Abgerufen am 9. Mai 2015: „Wow, the latest git allows me to build to completion.“
  63. Unable to use 'libjulia.dll' in a C# application on Windows 8.1.
  64. github.com
  65. julia.readthedocs.org
  66. Support compiling to JavaScript with Emscripten. Abgerufen am 28. Januar 2015.
  67. github.com
  68. Julia2C initial release.: „By translating Julia to C, we leverage the high-level abstractions (matrix, vector, ..), which are easier to analyze, and can potentially add the rich extensions of C (like openmp, tbb, …). The tool may also extend Julia to new architectures where the only available tool chain is for C [...]. Translation from C to Julia might be harder.“