こんにちは。 JuliaのPlots.jlでフォントが正しく表示されない問題にハマったので、その時の解決法を書いておきます。 Plots.jlでヒラギノ角ゴシックを使おう！ 環境 macOS Sequoia 15.3.2 Julia 1.11.3 Plots 1.40.11 GR 0.73.13 結論 using Plots using Unicode gr() @eval Plots begin function gr_set_font( f::Font, s; halign = f.halign, valign = f.valign, color = f.color, rotation = f.rotation,) family = lowercase(f.family) GR.setcharheight(gr_point_mult(s) * f.pointsize) GR.setch
本記事はJulia Advent Calendar 2022の12/23の記事です。 東京大学で働いている松井と申します。 線形代数の講義における演習（実際にコードを書き行列演算を行う）の重要性を感じています。 そのためにjuliaを使えないかと思い至り、pythonとの比較に焦点を当て思っていることを述べます。 線形代数における演習の意義 線形代数は工学全般において重要で基盤的な学問体系ですが、なかなかとっつきにくいものです。その理由の一つは線形代数の諸アルゴリズムは最終的には計算機で実行するにも関わらず、学生は自分の手を動かしてコーディングする機会が少ない点だと感じます。多くの大学のカリキュラムでは大学初年次に線形代数講義があると思いますが、座学がメインであることが多いと思います。本当は、座学と並行して実際にコーディングして行列演算を行う「演習講義」があれば、理解が深まるだろうと感じま
TL;DR ==（または isequal()）を多重定義したら、hash() も多重定義しましょう！ for other language users 他の（特にクラスを持つオブジェクト指向の）言語でがっつり開発している人には、ひょっとしたら当たり前の内容かも知れない。 他言語で hash() 系の関数（メソッド）をオーバーライドしたことある方にも「Julia ならこうなる」という何かしらの参考になるかも。 初めに この記事を書こうと思った発端は、私が管理人の1人である JuliaTokai の Discord でこんな投稿があったことです（以下抜粋）。 unique() 関数のバグを見つけたかもしれない。ユーザ定義型できちんと isequal(◯◯, △△) が動作するように定義しているのに unique にならないことがある。 julia> struct Foo vec::Vector
For those of you who aren’t aware, the Mojo SDK was recently released, so I thought I would take the opportunity to start benchmarking some Julia code against Mojo. As a first test, I am calculating the Mandelbrot set using the code provided by Modular. This is my Julia implementation: using Plots const xn = 960 const yn = 960 const xmin = -2.0 const xmax = 0.6 const ymin = -1.5 const ymax = 1.5 c
はじめに 例えばあなたが通りすがりJuliaプログラマに、Julia言語の何が素晴らしいのか聞いてみたと仮定しよう。おそらくその人は目を爛々と輝かせながら、いくつかの機能をまくしたてるだろうが、そのうちの一つに多重ディスパッチが挙げられることにほとんど疑いの余地はない。多重ディスパッチ・・・どっしりとした重厚さを感じる響きだ。 多重ディスパッチとは何かというと、同じ名前だが引数の違う関数をいくつも定義することができて、実際に呼び出される関数が、実行時の引数の型によって決められる機能のことを指す。「それって、関数のオーバーロードの事だよね！？」と思ったあなた。素晴らしい。わたしはあなたのような人に会いたかったのだ。多重ディスパッチとオーバーロードは少し違う。ほんの些細な違いに思えるが、その差が無視できないほどになることもあるのだ。あなたに多重ディスパッチのめくるめく世界を紹介しよう。 モジュ
How Julia ODE Solve Compile Time Was Reduced From 30 Seconds to 0.1 We did it. We got control of our compile times in a large-scale >100,000 line of code Julia library. The end result looks like: However, the most important thing is the friends we made along the way. In this blog post we will go through a step-by-step explanation of the challenges to compile times, ways to understand and debug com
This post explains my reasoning for migrating from Common Lisp to Julia as my primary programming language, after a few people have asked me to elaborate. This article is the product of my experiences and opinions, and may not reflect your own. Both languages are very well designed, and work well, so I encourage you to do your own research and form your own opinions about which programming languag
I have written this post for developers in the Common Lisp community who asked why I am switching to Julia. It may only be relevant for the small set of people who use Common Lisp for scientific computing. I used Common Lisp for scientific computing for a while, from 2008 to about 2015, in combination with R and C++. This choice may surprise people who don't know about projects like Maxima or FEML
Doing small network scientific machine learning in Julia 5x faster than PyTorch Machine learning is a huge discipline, with applications ranging from natural language processing to solving partial differential equations. It is from this landscape that major frameworks such as PyTorch, TensorFlow, and Flux.jl arise and strive to be packages for "all of machine learning". While some of these framewo
December 25 2021 in Julia, Programming, Science, Scientific ML | Tags: automatic differentiation, compilers, differentiable programming, jax, julia, machine learning, pytorch, tensorflow, XLA | Author: Christopher Rackauckas To understand the differences between automatic differentiation libraries, let’s talk about the engineering trade-offs that were made. I would personally say that none of thes
Automatic differentiation is a “compiler trick” whereby a code that calculates f(x) is transformed into a code that calculates f'(x). This trick and its two forms, forward and reverse mode automatic differentiation, have become the pervasive backbone behind all of the machine learning libraries. If you ask what PyTorch or Flux.jl is doing that’s special, the answer is really that it’s doing automa
こんにちは。 ATL客員研究員の門脇 宗平です。 普段は、MITのJuliaLabという組織の"Research Programmer"という肩書きで、 プログラミング言語Juliaのコンパイラやその周辺技術の開発に携わっています。 今回は自己紹介も兼ねて、自分の簡単な経歴と今取り組んでいるプロジェクトたちについて紹介したいと思います。 自己紹介 僕は2020年4月に京都大学の総合人間学部というちょっと不思議な名前の学部を卒業しました。 総合人間学部はいわゆる教養学部のような場所で、大変自由でのんびりした学部です。 そんな時間がたくさんあった学部時代には、 海外に住んでみたくてカナダのブリティッシュコロンビア大学に交換留学に行ってみたり、 当時の機械学習ブームに乗って人工知能系の授業をつまみ食いしてみたり、 休学している間にリクルートのデータサイエンスコースの長期インターン1に参加して就業
The Julia programming language is well-suited for GPU computing thanks to the CUDAnative.jl package, which enables native GPU programming and generates efficient PTX code.CUDAnative.jl reuses the Julia compiler, avoiding the need for a custom toolchain and keeping the hardware support package small, with only 1300 lines of code.The performance of Julia for GPU computing is comparable to statically
新星プログラミング言語Julia。 Rubyの動的さとC言語の速度を両立させた、公認会計士の資格を取得したジャニーズJr.みたいな、そんなのアリかよって感じの言語だ。 Juliaの宣伝文句はすごい。引用してみよう。 僕らが欲しい言語はこんな感じだ。まず、ゆるいライセンスのオープンソースで、Cの速度とRubyの動的さが欲しい。Lispのような真のマクロが使える同図象性のある言語で、Matlabのように分かりやすい数学の記述をしたい。Pythonのように汎用的に使いたいし、Rの統計処理、Perlの文字列処理、Matlabの線形代数計算も要る。シェルのように簡単にいくつかのパーツをつなぎ合わせたい。チョー簡単に習えて、超上級ハッカーも満足する言語。インタラクティブに使えて、かつコンパイルできる言語が欲しい。 （そういえば、C言語の実行速度が必要だってのは言ったっけ？） こんなにもワガママを言った
(Disclosure: While I work for Google, this is not an official Google product or announcement.) tl;dr: For Julia on Colab with GPUs, first open this notebook and run the cell (takes ~15-20 minutes), then open this one to start using Julia. Recently, @denizyuret brought up on Slack that it would be nice if Google Colab supported Julia, especially for GPUs. I can’t promise anything about official or
14 February 2012 | Jeff Bezanson, Stefan Karpinski, Viral B. Shah, Alan Edelman Jeff Bezanson Stefan Karpinski Viral B. Shah Alan Edelman In short, because we are greedy. We are power Matlab users. Some of us are Lisp hackers. Some are Pythonistas, others Rubyists, still others Perl hackers. There are those of us who used Mathematica before we could grow facial hair. There are those who still can'
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
