Julia 1.0 正式发布，这是新出炉的一份简单中文教程

        两天前，机器之心报道 MIT 正式发布 Julia 1.0 的文章引发了极大的关注（20 多万的阅读量），对此编程语言既有批判者也有推崇者。如机器之心了解到 Julia 在科学计算、数据处理行业很受欢迎。为了方便大家更了解这一新正式发布的编程语言，我们推荐 Julia 中文社区（中文社区介绍见文后）组织者之一罗秀哲

这两天的媒体报道可能让一些人有了恐慌，但是我现在有一个诚恳的建议就是如果你完全没有编程基础，时间也不多的话（时间多了不是想学啥学啥），我建议你先学一下 Python，这并不冲突，因为 Julia 的语法本身和 Python 很像，1.0 之后也专门增加了一些 feature 帮助你更好地从 Python 转向 Julia。Julia 刚刚有了第一个长期支持版本，这还不意味着这个语言已经完全成熟，我想此时的 Julia 更像是彼时的 Python 2.0，还有很长一段路要走，但是已经非常的有前景。

那么什么人我会建议学习 Julia 呢？或者 Julia 在什么场景下也许能够有优势呢？我个人的体验是以下这里一类：

之前使用 Python 但是因为性能问题，经常需要使用 numba/Cython/C API/ctypes/etc. 等方式进行优化的人。Julia 或许能够帮助你解决两语言问题，并且获得可读性更好，更容易维护的代码。之前使用 MATLAB，但是被一些付费功能困扰的用户（MATLAB 2018 也是不错的，但是要支持正版哈）之前使用 Fortran 和 R 的用户，强烈建议使用 Julia（可以结合着用也，FFI 是很不错的）之前使用 Sage/Octave 的用户，不妨尝试一下这个新玩意儿之前使用 Mathematica 但是想开始做一些数值的用户，Mathematica 不是不能做数值，也可以调用 C/C++ 但是 Julia 不妨是相比其它工具更平滑的选择。

如果你之前的工作仅仅使用 Python 就足以胜任，那么不必着急，也不必恐慌，不妨在感兴趣的时候试试这个新东西，但是也完全可以等到 Julia 被大规模使用的时候再跟进。实际上从一开始像 MXNet 这样的深度学习框架就官方支持了 Julia，这些框架的 Python 用户转移过来也并不是什么难事，但是如果你本来就不担心自己程序的性能（很多时候这并不是一个大问题），那么其实不会体会到什么明显的不同和优势。但是这样说也并不完全正确，Julia 语言的优势不仅仅在其性能，也在其语言本身的设计。

此外，也要再三声明，虽然 Julia 可以写出高性能的代码，但是写出高性能的代码这件事情本身就很困难。虽然写起来像 Python，运行速度像 C 是我们的梦想，但是在现在这个阶段，并不是随便写一段 Julia 代码就真的能达到 C 的。Julia 只是给你提供了充分优化的空间，和（达到高性能代码的）相对容易的编程体验。

下载和安装 Julia

Julia 目前因为官网的服务器只有 AWS s3（他们也很穷）。所以国内的一些地区下载速度很慢：

链接：https://julialang.org/downloads/

大家可以试一试，然后也可以去 Julia Computing 公司提供的 Julia 全家桶（你可以把它理解为 Julia 版本的 Anaconda），最左边的 JuliaPro 是免费的：

链接：https://juliacomputing.com/

之前浙大的 LUG 搭建了一个镜像，但是维护的同学最近有一些忙，所以目前还没有更新到 1.0。但是其实你如果无法从以上途径下载，那么从境内的源里下载 Julia 0.6 也其实并不影响你先熟悉一些基本语法（这是这个教程的主要目的），境内的源的下载地址在这里：

链接：http://juliacn.com/downloads/

我们也会尽快更新。

然后还有一个叫做 Julia Box 的云服务很方便可以使用，里面有很多教程，都是 jupyter notebook，打开即用，全部都是在线的不用安装。但是唯一的缺点就是国内可能不一定能够正常访问到。

链接：http://suo.im/4S7gbT

使用什么编辑器

Julia 语言的社区不够大，此外由于不是像 rust 这样的静态编译语言，也不是像 CPython 这样的解释型编译器，在启动的时候有比较明显的 overhead，这个问题一直在优化（REPL 的启动时间已经从曾经的 1.0s 到了现在的 0.2s，依然和 IPython 这样的有明显差距），有 PL 的朋友私下和我说是 LLVM 的 JIT 不是那么好（像 nodejs 的 V8 这个问题就不是很明显）

所以在这个阶段选择一个合适的开发工具是非常必要的。目前支持最好，bug 最少的是 Atom 上的 Juno 插件，如果你下载 Julia Pro 那么会自带这个编辑器。如果你想选择手动安装，那么可以在这里下载 Atom：

链接：https://atom.io/

然后安装方法在这里有介绍：

链接：http://docs.junolab.org/latest/man/installation.html

或者我也推荐你安装 IJulia 之后，使用 jupyter notebook 和 jupyter lab 进行开发。

其它的平台也有支持，例如 Jetbrain 的各个 IDE 都可以使用由 @ 考古学家千里冰封等开发的插件。VS code 也有 Julia 插件，以及 Vim 也是有支持的。但是他们都还没有支持逐行执行和单独执行某一块代码的功能，这对于本身被设计得很像 Mathematica 的 Julia 来说没有执行一个 cell 的支持开发起来会时常被 JIT 的预热时间所困扰。

然后为了克服 JIT 的预热，避免重复启动编译器。如果你不重新定义（re-define）类型的话，可以试试 Revise.jl :

链接：https://github.com/timholy/Revise.jl

这是一个用于热加载 Julia 代码的工具，1.0 已经支持方法（method）的删除了。所以也能够方便你的开发。

其实和 Python 一样，在我日常使用中，作为动态语言，以及因为语法本身适合分块执行，我其实很少会用到断点和专门的 debugger，此外虽然有相关的包，在 1.0 的编译器里也为未来加入 debugger 提供了相关功能，但是目前还没有完善，你也许可以试试（但是我暂时不推荐）：

链接：https://github.com/Keno/Gallium.jl

链接：https://github.com/timholy/Rebugger.jl

我怎么知道我要用什么包

Julia 有一个由社区维护的网站用来帮助你从 1900 多个包里找出符合你需求的 Julia 包：

链接：https://juliaobserver.com/

一般来说用比较新的，star 比较多的包会好一些。然后如果你觉得某个包不错，也请在 GitHub 上给一个 star。

基本操作

当你下载好了 Julia 之后，不论是 Julia Pro 还是单独的 Julia 编译器，你都可以先打开一个 REPL（交互式编程环境），类似于 IPython 之于 Python，Julia 的 REPL 支持了基本的代码高亮，文档查看等功能。但是 Julia 的 REPL 更强大（这件事稍后再说）。

Windows/Mac 用户：

双击 Julia 的三×××标，就能打开 REPL。在 Atom 里面的话在左上角有 Julia 一栏，点击里面的 open terminal 即可。

Linux 用户：

下载好以后去找到 bin 文件夹，然后把它加入你的 PATH 环境变量里去，以后就可以在命令行里直接通过 `julia` 命令启动 REPL。