Julia 为什么数组+；=（没有@）产生这么多内存分配？

我不明白为什么数组的+=操作会产生如此多的内存分配，但在应用@时它会得到修复

function loop()
    a = randn(10)
    total = similar(a)

    for i=1:1000
        total += a
    end
end

function loopdot()
    a = randn(10)
    total = similar(a)

    for i=1:1000
        @. total += a
    end
end


loop()
loopdot()

Profile.clear_malloc_data()

loop()
loopdot()

产生

160000         total += a

及

---

total+=a

与

total=a+total

相同，后者是一种矢量化操作，如：

out = similar(a)
for i in eachindex(a)
  out[i] = total[i] + a[i]
end
total = out

因为内部是

total = +(total,a)

这与MATLAB、Python或R一样，因此有一个临时数组分配给矢量化操作，然后

=

将

total

的引用设置为这个新数组。这就是为什么矢量化操作比传统的低级循环速度慢的原因，也是为什么使用NumPy之类的东西可以比Python更快，但不能完全达到C（因为这些临时性！）

@。总计+=a

与总计相同。=total.+a。说明在Julia中，通过匿名函数进行语义点融合，因此对应于执行以下操作：

# Build an anonymous function for the fused operation
f! = (a,b,c) -> (a[i] = b[i] + c[i])
# Now loop it, since it's `.=` don't make a temporary
for i in eachindex(a)
  f!(total,total,a)
end

它在不创建临时数组的情况下就地更新

total

---

Julia中的融合在语义上发生：点状操作转换为匿名函数加上

广播调用（本质上就是我在那里写的循环）是在解析时完成的，并且匿名函数是编译的，这样做是有效的。出于其他原因，这也是非常有用的。通过重载
广播在通用
f，这就是自动构建高效单内核的方式，这些内核在GPU上进行就地更新。这与MATLAB、Python和R相反，在MATLAB、Python和R中，不同的矢量化函数被视为不同的函数调用，因此必须计算返回值，从而计算临时数组。
@
是一个宏，用于将
广播应用于整个表达式或代码块的运算符时，请注意，在您的简单示例中，
@。total+=a
等于
total.+=a
，正如Chris进一步解释的那样，这与
total.=total.+a
相同Chris对你的问题给出了一个极好且彻底的答案。有帮助吗？
# Build an anonymous function for the fused operation
f! = (a,b,c) -> (a[i] = b[i] + c[i])
# Now loop it, since it's `.=` don't make a temporary
for i in eachindex(a)
  f!(total,total,a)
end