Julia 1.7 版本发布，科学计算领域高性能语言

Julia 编程语言 1.7 版本已发布，这是一种通用的高性能语言，在科学计算和数值分析中较为流行。Julia 1.7 是 1.x 系列版本中的第七个次要版本，添加了一些新特性和功能，主要更改如下：

新的 Xoshiro256 系列随机数生成器（RNG）

Julia 一开始使用流行的 Mersenne Twister 算法作为其默认的随机数生成器，但 Mersenne Twister 的计算周期较长，而且会带来较大的开销。1.7 版本引进了开销较小的 Xoshiro256 系列随机数生成器。

新的线程功能

解决了运行时中的大量竞争条件，追踪了同步错误，改进了对多线程调度工作负载的支持，使默认的随机数生成器对线程更加友好，并添加了原子（atomic）作为原始语言功能。

• 现在为特定的字节大小定义了原子指针操作 ( #37847 )。
• 支持声明和使用可变结构的单个字段作为原子;查看新的@atomic宏 ( #37847 )。
• 如果 JULIA_NUM_THREADS 环境变量设置为auto，则线程数将设置为 CPU 线程数 ( #38952 )。
• 每个 Task 对象都有一个本地随机数生成器状态，默认情况下提供并行模拟代码的可重复执行（独立于调度）。默认生成器的并行速度也明显快于以前的版本 ( #40546 )。
• 任务现在可以在重新调度时在线程之间迁移。（以前任务始终在最先执行它的线程上运行）( #40715 )。

包管理器

自动安装包

如果注册表中有一个没有安装的包，那么当在 REPL 中尝试加载包时会自动安装。

之前：

 julia> using Foo ERROR: ArgumentError: Package Foo not found in current path: - Run `import Pkg; Pkg.add("Foo")` to install the Foo package. Stacktrace: [1] require(into::Module, mod::Symbol) @ Base ./loading.jl:871 (@1.6) pkg> add Foo ... julia> using Foo julia> Foo Foo

现在轻松安装

 julia> using Foo │ Package Foo not found, but a package named Foo is available from a registry. │ Install package? │ (@v1.7) pkg> add Foo └ (y/n) [y]: y ... julia> Foo Foo

默认情况下，软件包将安装到当前活动环境中，通过 y 或 return 键选择。要取消选择用 n 或 Ctrl-c。

新的清单格式

用户在 Julia 中添加包时，包管理器 (Pkg) 都会写出一个名为“清单（"manifest"）”的 TOML 文件，里面包含该包所有依赖项的准确版本。但不同的包版本可能与不同的 Julia 版本兼容，因此，之前不建议将在一个 Julia 版本中创建的清单与另一个 Julia 版本一起使用。

1.7 版中更改了此清单格式，以便所有依赖项都放在一个公共[deps]密钥下，这释放了全局命名空间，以便julia_version 可以添加条目 。读取新清单的能力也将向后移植到 Julia 1.6，因此在 Julia 1.6.2 及更高版本中，Pkg 将保留现有清单的格式，只有新建的清单才会采用新的清单格式。

推理改进

此版本附带了许多类型推断改进。通过这些改进，Julia 1.7 将更“聪明地”推断程序类型，以提高性能。

1.7 可以传播在过程间（inter-procedurally，即跨任何函数调用）派生的类型约束 isa 和 === 条件某些 Julia 程序的编写方式是：行为会根据运行时类型而改变，而这种改进的推论性能使这些程序运行得更快。例如，现在在 x === nothing和 isnothing(x) 之间没有推断性差异：

 julia> code_typed((Union{Nothing,Int},); optimize=false) do x return isnothing(x) ? 0 : x end |> first

 --- v1.6 +++ v1.7 @@ -1,6 +1,6 @@ CodeInfo( 1 ─ %1 = Main.isnothing(x)::Bool └── goto #3 if not %1 2 ─ return 0 -3 ─ return x -) => Union{Nothing, Int64} +3 ─ return x::Int64 +) => Int64

这种过程间约束传播适用于任意泛型函数：

 julia> ispositive(a) = isa(a, Number) && a > 0; julia> code_typed((Union{Nothing,Int},); optimize=false) do x return ispositive(x) ? x : 0 end |> first

 --- v1.6 +++ v1.7 @@ -1,6 +1,6 @@ CodeInfo( 1 ─ %1 = Main.ispositive(x)::Bool └── goto #3 if not %1 -2 ─ return x +2 ─ return x::Int64 3 ─ return 0 -) => Union{Nothing, Int64} +) => Int64

另一个显著变化是：Julia 1.7 可以用预先计算的常量替代更多的运行时计算，并通过在编译时解析条件分支来消除死代码。例如，在1.7中，特殊函数的计算可以在编译时完全折叠：

 julia> code_typed((Int,)) do n n + sin(sum(sincos(42))) # no runtime computation of `sum(sincos(42))` in 1.7! end |> first

 --- v1.6 +++ v1.7 @@ -1,32 +1,5 @@ CodeInfo( -1 ─ %1 = Base.muladd_float(0.16933292771007588, 2.7557313707070068e-6, -0.0001984126982985795)::Float64 -│ %2 = Base.muladd_float(0.16933292771007588, %1, 0.00833333333332249)::Float64 -│ %3 = Base.muladd_float(0.16933292771007588, 1.58969099521155e-10, -2.5050760253406863e-8)::Float64 -│ ... many runtime computations ... -│ %27 = invoke Main.sin(%26::Float64)::Float64 -│ %28 = Base.sitofp(Float64, n)::Float64 -│ %29 = Base.add_float(%28, %27)::Float64 -└── return %29 +1 ─ %1 = Base.sitofp(Float64, n)::Float64 +│ %2 = Base.add_float(%1, -0.9678422808766897)::Float64 +└── return %2 ) => Float64

以下是此版本的推理改进 PR 列表：

• 过程间条件约束传播（#38905）
• 联合拆分调用站点的常量传播 ( #39305 )
• invoke 呼叫站点的持续传播( #41383 )
• 更多条件约束传播（#39936，#40832）

这些推理改进最初是由 JET.jl 的需求推动的，JET.jl 是 Julia 的静态分析器，由 Julia 编译器的类型推理实现提供支持。1.7 中的这些推理改进使 JET 能够更准确、更快地分析程序。

多维数组改进

多维数组，尤其是 3 维或更多维的数组，是科学编程和机器学习的有用结构。在 Julia v1.7 中添加了相关语法：能够为多维数组编写文字。这种新语法使 Julia 中的多维数组比以前更容易操作

 Julia v1.7: [1 2 ; 3 4 ;;; 5 6 ; 7 8] or [1 ; 3 ;; 2 ; 4 ;;; 5 ; 7 ;; 6 ; 8] Python with Numpy: import numpy as np np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) MATLAB: A = [1 2; 3 4] A(:,:,2) = [5 6; 7 8] R: array(c(1, 3, 2, 4, 5, 7, 6, 8), dim = c(2, 2, 2))

该语法是当前语法的直接扩展：一个额外的分号 == 一个额外的维度：

 julia> [1 2 ; 3 4] 2×2 Matrix{Int64}: 1 2 3 4 julia> [1 2 ;;; 3 4] 1×2×2 Array{Int64, 3}: [:, :, 1] = 1 2 [:, :, 2] = 3 4 julia> [1 2 ;;;; 3 4] 1×2×1×2 Array{Int64, 4}: [:, :, 1, 1] = 1 2 [:, :, 1, 2] = 3 4 julia> using BenchmarkTools julia> @btime [1 2 ;;;; 3 4]; 44.838 ns (2 allocations: 160 bytes) julia (v1.6)> @btime cat([1 2], [3 4], dims = 4); # clear, but slow, and gets worse with more dimensions 1.380 μs (23 allocations: 1.05 KiB) julia (v1.6)> @btime reshape([1; 2; 3; 4], (1, 2, 1, 2)); # fast, but intent less clear 65.884 ns (2 allocations: 192 bytes)

对于多维数组基本操作有性能的显着改进，随着涉及更多维度，差异会大大提高。

为了便于阅读较大的数组表达式，也可以接受换行符：

 julia> [ 1 2 3 4 ;;; 5 6 7 8 ] 2×2×2 Array{Int64, 3}: [:, :, 1] = 1 2 3 4 [:, :, 2] = 5 6 7 8

此语法还可以按列优先顺序而不是行优先顺序编写数组，使用;;行代替空格：

 julia> [1 ; 2 ;; 3 ; 4 ;;; 5 ; 6 ;; 7 ; 8] 2×2×2 Array{Int64, 3}: [:, :, 1] = 1 3 2 4 [:, :, 2] = 5 7 6 8 

1.7 版本是一个大版本更新，除了以上内容，此版本还包含一些语言功能和语法的改动，更多亮点更新可阅览官方公告，完整修改列表可在 GitHub 查看。