Julia 技術發展論壇：從 Julia 看資料科學與 AI - 杜岳華, 鄭景文
===

{%hackmd LcL4-VI0SGitSiINTuy4rA %}

> 請從這裡開始

臉書社團：[Julia Taiwan](https://www.facebook.com/groups/JuliaTaiwan/)

主要目的：
數值運算、科學運算

主要議題：
高效能運算
最佳化
機器學習
建模

剩下的是生態的問題

## Julia有像Python一樣，寫自己的module做開源貢獻嗎？

基本上Julia都是開源的，MIT license

Peter(主持人)做NLP相關
講者作Graph Neural Network

flux: 用來做Neural Network的套件 (有點類似Keras)
- Nerual layer
- Loss function
- Gradient
- Cuda support
- 不像其他語言是轉成C++層Cuda，直接把Julia轉IR，直接在driver層執行 (dependency會比較少)
- 自定義的Cuda kernel
- more..

## Julia跟Python/R/Matlab的不同

主要目的：提升效能(其他語言效能不夠好)，但同時有點可讀性

其他語言同常用來做prototyping，然後再port到C/C++，成本很高
-> Julia只要寫一次！(解決 two language problem)

## Julia訓練出來的模型可以轉到Python執行嗎?

模型能存成binary有機會，但可能需要另外寫code

ONNX專案目前卡著沒法用

## 工程上的工具資源如何(例如：包package、編binary)？

目前還沒辦法直接source code直接編成binary，因為會有些動態的問題

PackageCompiler：讓相關的套件先編譯完，而不用每次跑的時間才跑

相關工具可能要版本1.3之後才可用

## Julia被做成實際應用的接受度？

目前比較少，大部份都還在觀望中

目前有用在產品上的：
- [relationalAI](http://relational.ai)：把model training在資料庫上做

在國外想要嘗試新語言的都是大公司
英國XX實驗室把code轉成Julia
學術單位、研究單位 (ex: MIT的[Julia Lab](https://julia.mit.edu/))

## Julia替換Python的風險？

漸進式的轉換

要有CI/CD

客戶體驗至少不能變差

可能會踩到的雷：
- 對語言不熟悉 (Best pratice is needed)
- 儘量用比較多人用的套件
- 可能需要手寫

flux基本的有，但可能不像Python的sckit-learn能tune很細緻的東西

基本的模型有，例如：VGG、GoogleNet、ResNet

基本的ML有，但處於四散的狀態，例如：SVM、random forest

MLJ: 類似Python的scikit-learn

## Julia有類似Python TensorFlow/PyTorch這樣的專案？

語言直接支援自動微分(Zygote.jl)，讓速度快很多

[MLJ](https://github.com/alan-turing-institute/MLJ.jl)

Julia把很多"好的東西"都囊括進來

## 語言能發展的關鍵

1. 有要公司support
2. 殺手級應用 (GO: docker, Python: Deep Learning/Machine Learning)

###### tags: `COSCUP2019` `Julia language` `IB501`