挑战者Juia再出手，小型神经网络深度学习框架比PyTorch快5倍

很早之前，就有Juia取代Python的传闻。虽然时至今日，还未实现。不过先天具备科学计算特色的新型物种Juia编程语言，的确在一步步进步，逐步“蚕食”以往Python的领地。这次则是深度学习框架方面。

虽然现在大多数人工智能深度学习框架都支持Python接口，不过更具“正统血脉”的还是Torch，作为Python语言的PyTorch框架，自从发布以来就广为好评，在学术领域已然超越了TensorFlow。而后来者Julia显然也不示弱，之前就有Flux.jl框架，不过它身材苗条，机智客觉得它只符合人类天性的喜好，而并不具备挑战者的魄力。于是现在，又一个新框架SimpleChains.jl出现了。有关数据表示，在小模型场景下，SimpleChains.jl相比PyTorch最少能提速5倍。

没错，是小模型的神经网络工作内。很坦率地说，定位于小型神经网络的SimpleChains.jl直面这个范围领域的瓶颈和痛点。它很好解决了诸如小型网络GPU内核性能不及优良设计的CPU内核、操作Sigma时O（n）时间复杂度的内存开销严重问题等这类的优化问题，还能在CPU上快速拟合和优化小模型。

出具的实验过程是，研究人员用一个2×2的矩阵做了一个实验，在带有AVX512指令集的Intel i9-10980XE跑了一下，1万个epoch花了0.41秒，相比之下pyTorch花了15秒，也就是说在这种微型神经网络上，提速大约35倍。而把实验换到AMD EPYC 7513 带有AVX2指令的机器上，Julia的实现花费时间为0.72秒，而PyTorch的实现则需要70秒，差距拉升到了100倍。

目前SimpleChains.jl的版本是V0.2.2。正因为这个深度学习框架对小型神经网络更友好，因此它的定位也很明确，开发人员说得明白，这个框架不会对所有人都有用，但对那些需要它的人来说，它是非常有用的。也许，在工业生产力级别的大型深度学习神经网络上，Julia还无法和Python相比，毕竟后者已经有太多接口和库了，占尽先天优势。Julia还要假以时日继续努力吧。