Lisans düzeyindeki öğrencilere, Bilgisayar Programlamaya Giriş dersi veren bir ders verecek. Kafam biraz karıştı. Hesaplamalı Fizikte bilim adamları C / C ++ veya Python veya Fortran, CUDA vb. Kullanıyorlar. Ne kullanmalıyım? Hayatında istediğin zaman yeni bir programlama dili öğrenebileceğini biliyorum ama bu daha sonra tüm temel programlama kavramlarını ve OOP kavramlarını geliştirmem için daha akıllıca bir tercih.

Öncelikle, lisans öğrencileriniz bizimkine benziyorsa ve bilgisayarlara önceden bir giriş yapmamışlarsa, onlara, uygun bir editör (örneğin, MS Word değil), komut satırı vb.

Bence cevap, dersinizin odağını nereye ayarladığınıza (ya da neyi öğretmeniz gerektiğine) bağlı. Örneğin: Bilgisayarın iç işleyişi ne kadar önemli? Sınıflara ve diğer gelişmiş OOP yapılarına ihtiyacınız var mı? Onlara nasıl verimli programlar üreteceklerini öğretmek ister misiniz yoksa çalışma programları ürettikleri için mutlu musunuz? Ayrıca, muhtemelen yetenekli eğitmenlere ihtiyaç duyacağınızı da unutmayın.

Ama şimdi dillerin avantaj ve dezavantajlarına dair bir şey biliyorum. Bunun temel olarak bir hesaplamalı fizikçi olarak yaşadıklarımdan geldiğine ve bunun bir kısmının belirli bir alana, çalışma grubuna, üniversiteye, vb.

piton

Neredeyse en baştan beri Numpy kullanmanızı öneririm ve aşağıda kullanılacağını varsayıyorum.

Avantajları:

• Öğrenmesi kolaydır ve diğer kişilerin kodlarını okur (örneğin, örnek kodunuz, aynı zamanda öğrencilerin öğretmenler için kodları).
• Giriş ve çıkış (kursunuzun odak noktası olmamalıdır olan) tam kapsamına alınabilir print, Numpy en savetxtve loadtxtve belki sys.argv. Anında tanıtılabilir ve fazla programlama zamanı yemez.
• Numara gösterimi, bellek yönetimi, veri türleri gibi ayrıntılarla uğraşmanıza gerek yok ya da sadece çok az işlem yapmanız gerekiyor. Böylece programlamak hızlı ve gerçek algoritmalara odaklanabilirsiniz.
• Derlenmiş bir dil değil. Bunun iki avantajı vardır: Öğrencilerin bir derleyici ile uğraşmasına gerek yoktur ve öğrenciler programı derlemek, yeniden başlatmak ve yeniden başlatmak zorunda kalmadan doğrudan konsolu test edebilirler. Buna bağlı olarak, hata ayıklama daha kolaydır.
• Hemen hemen her şey için kullanımı kolay kütüphaneler var.
• Shell scriptleri, Make, Gnuplot ve benzeri ilave script dilleri öğrenmenize gerek yok - bunların hepsi Python'dan yapılabilir.
• Bir sürü iyi ders var (ücretsiz).

Dezavantajları:

• Derlenmedi. Bu nedenle Python programları, bazı durumlarda hesaplama fiziği ile ilgili derlenmiş programlardan çok daha yavaş olabilir. Bununla birlikte, diğer durumlarda, kütüphaneler (özellikle Numpy) karşılaştırılabilir bir performans sağlayabilir. Python ile iyi performans elde etmek için bir başka yol, ilgili kod parçacıklarını C like gibi başka bir dilde yazmaktır. Açıkçası, bunun için bu dili öğrenmeniz gerekir, ancak bu daha sonra yapılabilir ve Python'u öğrenmek zamanınızı boşa harcamaz.
• Sayı temsili, hafıza yönetimi, veri tipleri ve tuzakları gibi detayları öğretmek daha zordur, çünkü bunlar biraz şaşırmıştır.

C / C ++

Avantajları:

• Derlenir ve bu nedenle verimli kod üretmek daha kolaydır.
• Doğrudan numara temsili, bellek yönetimi, veri tipleri ile uğraşıyorsunuz ve bu nedenle bunları öğretmek daha sezgisel. Öğrencileriniz bilgisayarlarında gerçekte neler olduğuna daha yakından yaklaşacaklar.
• Temelde her şey için kütüphaneler var ama bir kütüphaneyi anlamak ve kullanmak biraz iş gerektiriyor.
• C / C ++ 'da ilgili miktarda mevcut kod vardır ve bu nedenle öğrencilerin bu kodla çalışmak isterlerse dili öğrenmeleri gerekir.
• Eğer zaten C / C ++ 'ı biliyorsanız, Python'u (örneğin) çok hızlı bir şekilde öğrenebilirsiniz.

Dezavantajları:

• Derlenir ve öğrencileriniz derleyici, önişlemci, başlıklar vb. İle ilgilenmek zorundadır. Bu aşamada ne kadar öğrencinin, yarıyıl sonunda bile başarısız olduğuna şaşıracaksınız.
• Öğrenmesi de yavaştır ve çalışma kodu üretmek daha uzun sürer.
• Girdi ve çıktı gibi marjinal şeylerle ilgilenmek, programlamada olduğu gibi öğretmede de biraz zaman alır. C ++ 'da girdi ve çıktı için fazladan bir sözdizimi vardır.
• Derleyici ve işletim sistemi bağımlılıkları.
• C / C ++ karmaşası ile ilgilenmelisin.
• Özellikle C ++ 'da diğerlerinin kodlarını okumak, çok sayıda sözdizimi özelliği nedeniyle oldukça zor olabilir.

C ++ 'ın C (C sınıfı, şablonlar) üzerindeki başlıca avantajları kursunuz için uygun olmamalı ve yalnızca daha büyük projeler için geçerli hale gelmelidir. Bu nedenle, daha özlü olduğu için ikisinin C'sini seçerdim.

Diğerleri

Diğer dillerde bazı yorumlar:

• Fortran: Bu hala birçok grup tarafından kullanılıyor ve çok sayıda eski kod var, ancak eski standartlarla ve bunların büyük sınırlamaları ve tuzaklarıyla başa çıkamayacaksınız (birçok kişi hala Fortran 77 ile çalışıyor). Ayrıca, dersler bulmak, internette yardım etmek vb. İçin çok daha zor olacak.
• Matlab / Mathematica: Özel yazılımın tüm problemleri. Özellikle, öğrencilerinizin bu yazılıma ve bunun sonucunda ortaya çıkan sorunlara erişimi olmayan insanlarla işbirliği yapma ihtimalinin yüksek olduğunu düşünün.
• Cuda: Bu, performansın önemli olması durumunda sadece belirli problemlerle ilgilidir. Ayrıca, bildiğim kadarıyla, bu şekilde programlamayı öğrenmek istemiyorsunuz.

¹ En azından grubumuzdaki standart iş akışı hangisidir?

2014 yılında Python diyecektim. 2017 yılında gönülden mezun olduğum öğretmenlerin dilinin Julia olduğuna inanıyorum.

Öğretim her zaman bir takasla ilgilidir. Bir yandan, kavraması kolay olan yeterince basit bir şey seçmek istersiniz. Fakat ikincisi, gücü kalan bir şeyi, yani sizinle birlikte büyüyebilecek bir şeyi öğretmek istiyorsunuz. Yaygın dinamik diller (Python / MATLAB / R), var olmayan kazan plakası kodları ve tercüman açma ve tükürme kodlarından dolayı kolayca 1. kategoriye girerken, C / C ++ / Fortran ikinci kategoriye giriyor. Günümüz dünyasının temel performans gösterdiği yazılımın yazıldığı diller.

Ancak diğer kategoriyi tam olarak yakalamayan bir dili kullanmakla ilgili sorunlar var. Python gibi bir dil kullanıldığında, türler ve tamsayı taşması gibi şeyleri hoş bir şekilde uzaklaştırır. Bu, ilk sömestr hesaplamayı öğretmek için güzel, ama işlerin gerçekte nasıl yürüdüğünü daha derinden ve daha derine kazmak istediğinizde Python'un dili, iyi bir öğretim aracı olmak için altta yatan metalden çok uzaktır. Fakat C / C ++ / Fortran (ya da Java ... ilk önce Java öğrendim ...) hepsi o kadar büyük bir başlangıç ​​maliyetine sahipti ki, öğrenmesi en zor şey başlığın nasıl mainhazırlanacağını ve derleneceğini, bu da aslında öğrenmekten programın dikkatini dağıttı. .

Julia'ya gir. Julia'yı ilk kez kullandığınızda, türlerin tüm fikrini ortadan kaldırabilir ve onu MATLAB veya Python gibi kullanabilirsiniz. Fakat daha fazla bilgi edinmek istediğinizde, dilin derinliklerinde bir "tavşan deliği" vardır. Gerçekten bir türleme sistemi + LLVM üzerinden çoklu gönderim temelli bir soyutlama katmanı olduğundan, aslında "statik olarak derlenmiş kod yazmanın kolay bir yoludur" (ve tür kararlı işlevler aslında statik olarak derlenebilir). Bunun anlamı, C / C ++ 'ın detaylarına da erişilebilir olmasıdır. Kazan dairesi kodu olmadan basit döngüler ve fonksiyonlar yazmayı öğrenebilir ve ardından fonksiyon işaretçilerine bakabilirsiniz. Julia'nın metaprogramlama özellikleri, doğrudan AST'ye erişmenizi sağlar ve derleme zincirinin her bölümünü gösteren makrolar vardır. Ayrıca, bir Lisp olarak, işlevsel programlama stillerine uygundur. Ve birçok paralel hesaplama kabiliyetine sahiptir. Parametrik yazım ve tür dengesi gibi fikirler Julia'da oldukça benzersiz ve derin.

Programlama dillerini kendileri incelemek istiyorsanız, derlemenin nasıl çalıştığını, @code_loweredindirmenin ne olduğunu görmek için nasıl çalıştığını öğrenebilir, AST ile @code_typedyazılana, LLVM IR ile @code_llvmve son olarak da yerel montaj koduna bakın @code_native. Bu, dinamik değişkenlerin maliyetinin ne olduğunu ve tam olarak "değişken boks" un nasıl çalıştığını göstermek için kullanılabilir ve bu blog yazısı , derleme optimizasyonlarının nasıl yapılabileceğini / yapılamayacağını öğretmek için bu değerlendirme araçlarının nasıl kullanılabileceğini gösterir.

Keşfedilecek sadece bilgisayar bilimi ve yazılım mühendisliği fikirleri değil, aynı zamanda zengin matematiksel fikirler de var. Julia'nın ana kütüphaneleri genel yazarak akılda bulunduğundan, matris içermeyen operatörler oluşturmak ve bunları kullanarak GMRES gerçekleştirmek için IterativeSolvers.jl kullanmak çok önemlidir. @whichHerhangi bir şeyin nasıl uygulandığını size tam olarak göstermek için içe dönük araçlarını kullanabilirsiniz . Örneğin, nasıl \çalışır?

@which rand(10,10)\rand(10)
#\(A::AbstractArray{T,2} where T, B::Union{AbstractArray{T,1}, AbstractArray{T,2}} where T) in Base.LinAlg at linalg\generic.jl:805

Bu beni doğrudan tanımına işaret ediyor . Julia'da uygulanmaktadır, böylece Julia'yı bilen biri algoritmayı ve matris alt türlerini tanımlayarak ve mümkün olduğunda uzmanlaşarak (Gaussian eliminasyonuna geri dönerek) nasıl çalıştığını öğrenebilir. Julia'nın kodu MIT lisanslı olduğundan (ve neredeyse tüm paketler MIT lisanslı) olduğundan, öğrenciler bu fikirleri kendi kodlarında (özellikli) kullanmakta serbesttirler (kod GPL lisanslı olduğunda, çoğu MATLAB ve R paketlerinde olduğu gibi, lisans konularında dikkatli olmaları gerekir!).

Dil çekirdeği çok aktif bir açık kaynak topluluğuyla kurulduğundan , dil gelişiminin tarihi hakkında da zengin bir kaynak var: Github sorunları . Gibi dil soruları anlama gerçekten bir matris devrik ne? Bu matematiksel nesneleri daha ayrıntılı olarak anlamak için aydınlatıcı olabilir.

Ama son olarak, sonunda, öğrencilerinize nasıl yaratacağınızı öğretmek istersiniz. Ne yazık ki, Python veya R öğrenmek, mutlaka yaygın olarak kullanılan ve iyi optimize edilmiş paketlerin içinde önemli miktarda C / C ++ / Fortran kodu bulunduğundan, "Python / R" geliştirmek için gerekenlere sahip olduğunuz anlamına gelmez. performans almak için. Bu nedenle, bu öğrencilerin bu dillerin bilimsel ekosistemlerine katkıda bulunabilmeleri için, sonunda bir noktada başka bir dil öğrenmek zorunda kalacaklar. Bu tamamen berbat olmasa da, Julia'nın varlığı artık en düşük seviyede. Kararlı Julia, C / Fortran hızını yakalayabildiğinden, Julia ekosistemindeki paketlerin çoğu saf Julia kodudur. Julia'yı öğrenmek, Julia'yı geliştirmeyi öğrendiği anlamına gelir. Üstelik Base Julia aynı zamanda çoğunlukla Julia'nın bir kodu (sadece birkaç ilkel ve ayrıştırıcı değil).

Bununla birlikte, Julia'nın seçiminde bazı olumsuzluklar var. Birincisi, diğer dillerden çok daha yeni ve bu nedenle kaynaklar konusunda biraz daha az. Kendi başınıza çok sayıda öğretim aracı bulmanız veya Julia'nın web sitesinde listelenen kaynaklardan yararlanmanız gerekir . Ayrıca, dil ayrıntıları henüz kesinleşmedi, ancak 1,0 yakında çıkıyor (2017'nin sonunda). Ayrıca, Julia'da bir kursun potansiyel öğretmeni olarak, dil ile ilgili bu kadar fazla deneyim yaşamamış olmanız da olasıdır. Bununla birlikte, bunlar zaman içinde kaybolan sorun türleridir, oysa yukarıda bahsettiğim Julia yararları, dillerin kendileri için çok daha fazla önem taşır.

Çok uzak olmayan bir lisans öğrencisi olarak konuşuyorsanız ve CS bölümünde ders vermediğinizi varsayarsak, öğrencilere bilgisayar programlamasını C, C ++ veya Fortran (ya da tanrı yasaklayan gibi) bir şeyle tanıtmanın bir felaket olacağını düşünüyorum. CUDA), başkalarının bilimsel hesaplamada muhtemelen statüko olduğuna dikkat etmelerine rağmen.

Öğrencilere bilimsel bilgi işlemeyi öğretmeyi ve onları aynı kursa programlamayı tanıtmayı bekliyorsanız, matlab veya python gibi bir tercüme diline bağlı kalmazsanız, bir sömestrde kaplayacak kadar fazla olduğuna bahse girerim. Tecrübelerime göre, lisans seviyesindeki bilimsel hesaplama alanındaki çoğu sınıf, bu iki dersten birinde öğretiliyor ve python her gün bir üretim seviyesi dili olarak giderek daha kullanışlı hale geliyor, bu yüzden hala pratik bir beceri olarak bir faydası var ( sadece programlama temellerini öğretmenin ötesinde, yani).

Sadece iki sentim.

C, C ++, ve Fortran (belirli bir sırayla listelenmemiş), süper bilgisayarlardaki büyük sorunları çözmek istiyorsanız, hesaplamalı matematik / fizik için kullanılan üç ana programlama dilidir. CUDA'nın hızlandırılmış GPU hesaplama için diğer dillerle birlikte kullanılan bir kütüphane olduğunu düşünüyorum. Matlab ve python, çıktı tanılamayı çalıştırmak ve prototip modeller oluşturmak için öğrenmek için mükemmeldir. Ayrıca öğrenmeleri daha kolaydır ve nasıl programlanacağını öğrenen algoritmalara karşı gelmek istediğiniz bir kurs için daha iyi olabilirler.

Bu nedenle, eğer dersiniz tamamen programlama ile ilgiliyse, C ++ 'ı seçecektim, ya da öğrenciler ilk defa programlama ise, Python. Bu dillerin her ikisinin de bilimsel bilgi işlem dünyasının dışında yüksek yararı var. Elbette fizik temelli problemleri çözmek için öğrenme algoritmaları etrafında merkezliyse, Matlab'ın şüphesiz kazanan olduğunu düşünüyorum.

Kısa: Bilimsel hesaplamanın kendisinin karmaşık olduğunu dikkate alın. Programlama dilinin devreye girmesini gerçekten istiyor musunuz?

Matematik, sezgi ile çözülemeyen problemleri çözmek için soyutlamayı kullanır. Dolayısıyla kavramların soyut olma eğilimi vardır. Bu yüzden hangi kavramları kapsamayacağını anlamak önemsiz değildir. Bilimsel hesaplamada, "Hayvan" "Araç" gibi sınıflar için olağan örnekler oldukça kullanışsızdır. Bu, Nesne yönelimli programlama için doğrudur, ancak bir bilgisayarda soyut kavramları yeniden üretmenin Zorunlu programlamada da önemsiz olmadığını düşünüyorum.

Bu yüzden burada iki farklı çabayla uğraştığımıza inanıyorum: bir tarafta programlama, diğer tarafta bilimsel hesaplama. Öğrencilerin heterojen kökenden geldiği lisans düzeyinde, aynı anda iki farklı şey öğretebilirsin.

Amacınız bilimsel bilgisayar öğretimi ise, bunun yeterince zor olduğunu düşünüyorum. Programlama dili olarak ek bir engelin olması (hepimiz C ++ 'ın eğitim gerektirdiği konusunda hemfikiriz) iyi bir öğrenci grubunu hayal kırıklığına uğratır, bu yüzden python ile devam etmeyi öneriyorum.

Kursunuz "SC'ye Giriş" ise, python'un en iyi sonuç / efor oranına sahip olduğuna inanıyorum.

Not: Artık oldukça iyi bilgisayarlara sahibiz, lisans düzeyinde etkinlik aramaya ihtiyacımız yok.