为什么与其他框架合作的独立开发人员应该考虑为 Julia 的 ML 生态系统做出贡献？

对于某些特定任务 ， Julia 开发人员倾向于使用哪些软件包？Julia 开发人员希望添加目前不存在的哪些内容？

下文中我们挑选了几个大家比较关心的问题进行报道：
问题 3：Julia 在「标准 ML」中的表现如何？
Julia 的内核速度很好：在 CPU 上 ， 我们做得非常好 ， 在 GPU 上 ， 每个人都只是调用相同的 cudnn 等；Julia 的 AD 速度也很好 。 不过 Zygote 可能会有一些开销 ， 但与 Jax/PyTorch/TensorFlow 相比 ， Zygote 在大多数情况下速度是很快的 。 具体来说 ， PyTorch 开销要高得多 ， 在标准 ML 工作流程中甚至无法测量 。 一个足够大的矩阵乘法会解决分配问题或其他 O(n) 问题；Julia 不融合内核 ， 因此在大多数基准测试中 ， 如果用户查看它 ， 就会发现它没有融合 conv 或 RNN cudnn 调用 。
问题 4：我们应该跟踪哪些重要的实验和基准？
XLA 的分布式调度器非常好 。 当我们考虑扩展时 ， 我们应该忽略 PyTorch ， 去考虑 DaggerFlux 与 TensorFlow/Jax 。 XLA 有更多的灵活性来改变操作 ， 所以我认为 XLA 才是赢家 ， 我们需要使用 e-graphs 技巧来匹配它 。 另一件需要注意的事情就是「自动微分中缺少中间部分」 ， 这种情况还需要解决 。
问题 7：有什么推荐的软件包？
我倾向于在需要时使用 Flux ， 但大家还是尽量使用 DiffEqFlux 。 就现有内核而言 ， Flux 是最完整的 ， 但它的风格让我感到厌烦 。 我希望有一个 Flux 不使用隐式参数 ， 而是使用显式参数 。 我希望这些参数由 ComponentArrays 表示 。
更多内容请参考：https://discourse.julialang.org/t/state-of-machine-learning-in-julia/74385