Ну видимо до 1.0 было актуально, а сейчас уже решили, что никому ничего не надо доказывать, сами возьмут кому надо, а кому не надо — их бенчмарками не переубедить никакими

Гранты вот какие-то даже дают на развитие языка и экосистемы

Но ситуация с CUDA пока мне не понятна. :)

Непонятно, что измеряли и как. Но график из статьи мне кажется более правдоподобным.

Может какие-то инфраструктурные вещи играют роль? LLVM везде одинаковый. Откуда разница больше, чем в процент? :)

Julia в NumFocus, как и большая часть питоньей вычислительной экосистемы.

на GSoC они в этом году чет раздельно

Это нормально.

А команда — это, видимо, тот один человек, который поддерживает CUDAnative.jl? 🙃

От CUDA там инженеры NVIDIA сотрудничают, по-моему. Поэтому Cu- пакеты в хорошем состоянии, а с общими типа GPUArrays - не все так круто.

Они разрабатываются (кроме CuArrays.jl) одним человеком.

Тем временем, я поигрался и оптимизировал самописную нейронку из вот этого вопроса: https://stackoverflow.com/questions/49719076/macos-python-with-numpy-faster-than-julia-in-training-neural-network
На моей машине прогоняет одну эпоху за 7 секунд после оптимизаций, предложенных в ответе, и за 0.6 секунд после дополнительных оптимизаций с матричными операциями для батча. Думаю опубликовать где-нибудь разбор этого примера, кому-то это будет интересно?

Можно небольшую статью во что-то типа medium написать и потом в julia blog опубликовать.

А код опубликован?

Недавно обновленный драфт по мат статистике в Julia выпустили

Сам пока не читал

Julia on Google TPU: Shakespeare RNN (Score: 103+ in 3 hours)

Link: https://readhacker.news/s/3XH2D
Comments: https://readhacker.news/c/3XH2D

там сразу на рабочую тетрадь ссылка

StefanKarpinski 1 hour ago [-]

In TensorFlow one doesn't write Python code and run it on a G/TPU, one writes Python code that uses an API to construct a TensorFlow graph computation which is compiled and runs on the G/TPU. It's really a completely separate programming language with different semantics and a totally separate runtime hiding behind a Python API. This is why you can't use any of Python's normal libraries, you have to use TensorFlow libraries.
"Julia runs on GPUs" actually means that you write Julia code and it is compiled to natively run on GPUs [1]. Similarly, this post is about writing Julia code and compiling it to run natively on TPUs, not calling some predefined TPU library. Yes, of course you _can_ call libraries that are compiled for GPUs and TPUs—as you can in Python or any other language—but in Julia, nearly arbitrary user code can be compiled and run on GPUs and TPUs. The major restriction on GPUs is that you cannot do dynamic allocation, so you need to write non-allocating Julia code, but that's common requirement for high-performance code anyway.

[1] https://github.com/JuliaGPU/CUDAnative.jl