Julia官方迭代几乎日更。Julia的框架库也是频繁更新，就拿之前介绍过的 Flux.jl 来说，也在最近发布了新版。Julia在国外已然是一枚新宠，而国内的资料却相对较少。这么优秀的一门科学计算语言实在不容错过。尤其性能如此出色，兼顾简单易学，不必像很多项目一开始图简单用Python，遇到性能瓶颈又换C++。在之前的例子里我们介绍了关于Julia数据可视化的简洁易用。如下：

• Julia宣战Python，读取CSV文件性能哪家强？
• Julia可视化展示伦敦天气，比Python更简单数据分析
• Julia新版发布，比Python更适合科学计算的语言

这篇主要介绍Julia万花筒可视化，要用到一个R包frak，介绍如下。

安装frak包

场景描述，在测试软件的时候最快速的生成测试可视化，需要满足点如下：

• 快速生成
• 要生动有趣，而不仅仅是白噪点
• 每像素8位, 而这个值可以放到R原始向量或C的uint8_t向量
• 可平移、缩放、并且随着输入变量发生简单的改变

安装也非常方便，从Github上直接拉，如下：

# install.package('remotes')remotes::install_github('coolbutuseless/frak')

生成Julia数据集

生成Julia的数据集，cx和cy作为迭代变量c的组件，如下：

julia(cx, cy, movex, movey, zoom, size, max_iter) 

返回的原始值数组表示特定位置转向无穷大时的迭代计数，这些值被缩放到原始向量允许的全部范围（即0到255的整数）。

library(frak)fractal <- julia(cx = -0.7, cy = 0.27, zoom = 1, size = 400, max_iter = 255)mode(fractal) <- 'integer'plot(as.raster(fractal/255))

为图上翠绿色

直接看代码，如下：

library(viridisLite)# 生成不规则fractal <- julia(cx = -0.74, cy = 0.17, zoom = 3, size = 400, max_iter = 100)mode(fractal) <- 'integer'# Grab a palette from viridispal <- rev(viridisLite::viridis(256))# Recode the values with the palette. Lowest raw value is 0, so offset by 1.fractal_raster   <- fractalfractal_raster[] <- pal[fractal_raster + 1]plot(as.raster(fractal_raster))

多帧动态程序

在C中创建一个julia集合比使用普通的R快100倍。

suppressPackageStartupMessages({  library(Julia)  library(frak)  library(ggplot2)  library(dplyr)  library(tidyr)})size <- 400# Julia::JuliaImageJuliaImage does at most 50 iterationsres <- bench::mark(  `Julia::JuliaImage()` = Julia::JuliaImage(imageN = size, centre = 0.0, L = 4, C = 1-1.6180339887),  `frak::julia()`       = julia(size = size, max_iter = 50),  check = FALSE)

⚠️警告：一些表达式在每次迭代中都有一个GC，所以过滤是禁用的。

彩蛋

最后附上我整理的Julia学习路线图，我会不定期的分享Julia系列。

对金融科技、人工智能感兴趣的小伙伴记得关注我哟~

参考：

mandelbrot 生成视图（https://cran.r-project.org/package=mandelbrot）

一个纯Julia集的生成器（https://cran.r-project.org/package=Julia）

https://coolbutuseless.github.io/2020/07/16/introducing-frak-a-julia-set-fractal-generator