接口

Julia 的很多能力和扩展性都来自于一些非正式的接口。通过为自定义的类型扩展一些特定的方法,自定义类型的对象不但获得那些方法的功能,而且也能够用于其它的基于那些行为而定义的通用方法中。

迭代

必需方法简短描述
iterate(iter)通常返回由第一项及其初始状态组成的元组,但如果为空,则返回 nothing
iterate(iter, state)通常返回由下一项及其状态组成的元组,或者在没有下一项存在时返回 nothing
重要可选方法默认定义简短描述
IteratorSize(IterType)HasLength()HasLength()HasShape{N}()IsInfinite() 或者 SizeUnknown() 中合适的一个
IteratorEltype(IterType)HasEltype()EltypeUnknown()HasEltype() 中合适的一个
eltype(IterType)Anyiterate() 返回元组中第一项的类型。
length(iter)(未定义)项数,如果已知
size(iter, [dim])(未定义)在各个维度上项数,如果已知
IteratorSize(IterType) 返回的值必需方法
HasLength()length(iter)
HasShape{N}()length(iter)size(iter, [dim])
IsInfinite()()
SizeUnknown()()
IteratorEltype(IterType) 返回的值必需方法
HasEltype()eltype(IterType)
EltypeUnknown()(none)

顺序迭代由 iterate 函数实现。 Julia 的迭代器可以从对象外部跟踪迭代状态,而不是在迭代过程中改变对象本身。 迭代过程中的返回一个包含了当前迭代值及其状态的元组,或者在没有元素存在的情况下返回 nothing。 状态对象将在下一次迭代时传递回 iterate 函数,并且通常被认为是可迭代对象的私有实现细节。

任何定义了这个函数的对象都是可迭代的,并且可以被应用到许多依赖迭代的函数上 。 也可以直接被应用到 for 循环中,因为根据语法:

  1. for item in iter # or "for item = iter"
  2. # body
  3. end

以上代码被解释为:

  1. next = iterate(iter)
  2. while next !== nothing
  3. (item, state) = next
  4. # body
  5. next = iterate(iter, state)
  6. end

举一个简单的例子:一组定长数据的平方数迭代序列:

  1. julia> struct Squares
  2. count::Int
  3. end
  4. julia> Base.iterate(S::Squares, state=1) = state > S.count ? nothing : (state*state, state+1)

仅仅定义了 iterate 函数的 Squares 类型就已经很强大了。 我们现在可以迭代所有的元素了:

  1. julia> for item in Squares(7)
  2. println(item)
  3. end
  4. 1
  5. 4
  6. 9
  7. 16
  8. 25
  9. 36
  10. 49

我们可以利用许多内置方法来处理迭代,比如标准库 Statistics 中的 inmeanstd

  1. julia> 25 in Squares(10)
  2. true
  3. julia> using Statistics
  4. julia> mean(Squares(100))
  5. 3383.5
  6. julia> std(Squares(100))
  7. 3024.355854282583

我们可以扩展一些其它的方法,为 Julia 提供有关此可迭代集合的更多信息。我们知道 Squares 序列中的元素总是 Int 型的。通过扩展 eltype 方法,我们可以给 Julia 更多信息来帮助其在更复杂的方法中生成更具体的代码。我们同时也知道该序列中的元素数目,故同样地也可以扩展 length

  1. julia> Base.eltype(::Type{Squares}) = Int # Note that this is defined for the type
  2. julia> Base.length(S::Squares) = S.count

现在,当我们让 Julia 去 collect 所有元素到一个数组中时,Julia 可以预分配一个适当大小的 Vector{Int},而不是朴素地 push! 每一个元素到 Vector{Any}

  1. julia> collect(Squares(4))
  2. 4-element Vector{Int64}:
  3. 1
  4. 4
  5. 9
  6. 16

尽管大多时候我们都可以依赖一些通用的实现,但某些时候,如果我们知道一个更简单的算法,可以用其扩展具体方法。例如,计算平方和有公式,因此可以扩展出一个更高效的解法来替代通用方法:

  1. julia> Base.sum(S::Squares) = (n = S.count; return n*(n+1)*(2n+16)
  2. julia> sum(Squares(1803))
  3. 1955361914

这种模式在 Julia Base 中很常见,一些必须实现的方法构成了一个小的集合,从而定义出一个非正式的接口,用于实现一些更加炫酷的操作。某些应用场景中,一些类型有更高效的算法,故可以扩展出额外的专用方法。

能以逆序迭代集合也很有用,这可由 Iterators.reverse(iterator) 迭代实现。但是,为了实际支持逆序迭代,迭代器类型 T 需要为 Iterators.Reverse{T} 实现 iterate。(给定 r::Iterators.Reverse{T},类型 T 的底层迭代器是 r.itr。)在我们的 Squares 示例中,我们可以实现 Iterators.Reverse{Squares} 方法:

  1. julia> Base.iterate(rS::Iterators.Reverse{Squares}, state=rS.itr.count) = state < 1 ? nothing : (state*state, state-1)
  2. julia> collect(Iterators.reverse(Squares(4)))
  3. 4-element Vector{Int64}:
  4. 16
  5. 9
  6. 4
  7. 1

Indexing

Methods to implementBrief description
getindex(X, i)X[i], indexed element access
setindex!(X, v, i)X[i] = v, indexed assignment
firstindex(X)The first index, used in X[begin]
lastindex(X)The last index, used in X[end]

For the Squares iterable above, we can easily compute the ith element of the sequence by squaring it. We can expose this as an indexing expression S[i]. To opt into this behavior, Squares simply needs to define getindex:

  1. julia> function Base.getindex(S::Squares, i::Int)
  2. 1 <= i <= S.count || throw(BoundsError(S, i))
  3. return i*i
  4. end
  5. julia> Squares(100)[23]
  6. 529

另外,为了支持语法 S[begin]S[end],我们必须定义 lastindex 来指定最后一个有效索引。建议也定义 firstindex 来指定第一个有效索引:

  1. julia> Base.firstindex(S::Squares) = 1
  2. julia> Base.lastindex(S::Squares) = length(S)
  3. julia> Squares(23)[end]
  4. 529

对多维的 begin/end索引,例如,像是 a[3, begin, 7],你应该定义 firstindex(a, dim)lastindex(a, dim)(它们默认各自在 axes(a, dim) 上调用 firstlast

注意,上面定义了一个整数索引的 getindex 方法,用除一个整数之外的其它东西索引会抛出MethodError,因为现在还没有匹配的方法。为了支持 Int 的范围或向量索引,必须另外写一个方法:

  1. julia> Base.getindex(S::Squares, i::Number) = S[convert(Int, i)]
  2. julia> Base.getindex(S::Squares, I) = [S[i] for i in I]
  3. julia> Squares(10)[[3,4.,5]]
  4. 3-element Vector{Int64}:
  5. 9
  6. 16
  7. 25

虽然这开始支持更多某些内置类型支持的索引操作,但仍然有很多行为不支持。因为我们为 Squares 序列所添加的行为,它开始看起来越来越像向量。我们可以正式定义其为 AbstractArray 的子类型,而不是自己定义所有这些行为。

抽象数组

需要实现的方法简短描述
size(A)返回包含 A 各维度大小的元组
getindex(A, i::Int)(若为 IndexLinear)线性标量索引
getindex(A, I::Vararg{Int, N})(若为 IndexCartesian,其中 N = ndims(A))N 维标量索引
setindex!(A, v, i::Int)(若为 IndexLinear)线性索引元素赋值
setindex!(A, v, I::Vararg{Int, N})(若为 IndexCartesian,其中 N = ndims(A))N 维标量索引元素赋值
可选方法默认定义简短描述
IndexStyle(::Type)IndexCartesian()返回 IndexLinear()IndexCartesian()。请参阅下文描述。
getindex(A, I…)基于标量 getindex 定义多维非标量索引
setindex!(A, X, I…)基于标量 setindex! 定义多维非标量索引元素赋值
iterate基于标量 getindex 定义Iteration
length(A)prod(size(A))元素数
similar(A)similar(A, eltype(A), size(A))返回具有相同形状和元素类型的可变数组
similar(A, ::Type{S})similar(A, S, size(A))返回具有相同形状和指定元素类型的可变数组
similar(A, dims::Dims)similar(A, eltype(A), dims)返回具有相同元素类型和大小为 dims 的可变数组
similar(A, ::Type{S}, dims::Dims)Array{S}(undef, dims)返回具有指定元素类型及大小的可变数组
不遵循惯例的索引默认定义简短描述
axes(A)map(OneTo, size(A))返回有效索引的 AbstractUnitRange{<:Integer}
similar(A, ::Type{S}, inds)similar(A, S, Base.to_shape(inds))返回使用特殊索引 inds 的可变数组(详见下文)
similar(T::Union{Type,Function}, inds)T(Base.to_shape(inds))返回类似于 T 的使用特殊索引 inds 的数组(详见下文)

如果一个类型被定义为 AbstractArray 的子类型,那它就继承了一大堆丰富的行为,包括构建在单元素访问之上的迭代和多维索引。有关更多支持的方法,请参阅文档 多维数组Julia Base

定义 AbstractArray 子类型的关键部分是 IndexStyle。由于索引是数组的重要部分且经常出现在 hot loops 中,使索引和索引赋值尽可能高效非常重要。数组数据结构通常以两种方式定义:要么仅使用一个索引(即线性索引)来最高效地访问其元素,要么实际上使用由各个维度确定的索引访问其元素。这两种方式被 Julia 标记为 IndexLinear()IndexCartesian()。把线性索引转换为多重索引下标通常代价高昂,因此这提供了基于 traits 机制,以便能为所有矩阵类型提供高效的通用代码。

此区别决定了该类型必须定义的标量索引方法。IndexLinear() 很简单:只需定义 getindex(A::ArrayType, i::Int)。当数组后用多维索引集进行索引时,回退 getindex(A::AbstractArray, I...)() 高效地将该索引转换为线性索引,然后调用上述方法。另一方面,IndexCartesian() 数组需要为每个支持的、使用 ndims(A)Int 索引的维度定义方法。例如,SparseArrays 标准库里的 SparseMatrixCSC 只支持二维,所以它只定义了 getindex(A::SparseMatrixCSC, i::Int, j::Int)setindex! 也是如此。

回到上面的平方数序列,我们可以将它定义为 AbstractArray{Int, 1} 的子类型:

  1. julia> struct SquaresVector <: AbstractArray{Int, 1}
  2. count::Int
  3. end
  4. julia> Base.size(S::SquaresVector) = (S.count,)
  5. julia> Base.IndexStyle(::Type{<:SquaresVector}) = IndexLinear()
  6. julia> Base.getindex(S::SquaresVector, i::Int) = i*i

请注意,指定 AbstractArray 的两个参数非常重要;第一个参数定义了 eltype,第二个则定义了 ndims。该超类型和这三个方法就足以使 SquaresVector 变成一个可迭代、可索引且功能齐全的数组:

  1. julia> s = SquaresVector(4)
  2. 4-element SquaresVector:
  3. 1
  4. 4
  5. 9
  6. 16
  7. julia> s[s .> 8]
  8. 2-element Vector{Int64}:
  9. 9
  10. 16
  11. julia> s + s
  12. 4-element Vector{Int64}:
  13. 2
  14. 8
  15. 18
  16. 32
  17. julia> sin.(s)
  18. 4-element Vector{Float64}:
  19. 0.8414709848078965
  20. -0.7568024953079282
  21. 0.4121184852417566
  22. -0.2879033166650653

作为一个更复杂的例子,让我们在 Dict 之上定义自己的玩具性质的 N 维稀疏数组类型。

  1. julia> struct SparseArray{T,N} <: AbstractArray{T,N}
  2. data::Dict{NTuple{N,Int}, T}
  3. dims::NTuple{N,Int}
  4. end
  5. julia> SparseArray(::Type{T}, dims::Int...) where {T} = SparseArray(T, dims);
  6. julia> SparseArray(::Type{T}, dims::NTuple{N,Int}) where {T,N} = SparseArray{T,N}(Dict{NTuple{N,Int}, T}(), dims);
  7. julia> Base.size(A::SparseArray) = A.dims
  8. julia> Base.similar(A::SparseArray, ::Type{T}, dims::Dims) where {T} = SparseArray(T, dims)
  9. julia> Base.getindex(A::SparseArray{T,N}, I::Vararg{Int,N}) where {T,N} = get(A.data, I, zero(T))
  10. julia> Base.setindex!(A::SparseArray{T,N}, v, I::Vararg{Int,N}) where {T,N} = (A.data[I] = v)

请注意,这是个 IndexCartesian 数组,因此我们必须在数组的维度上手动定义 getindexsetindex!。与 SquaresVector 不同,我们可以定义 setindex!,这样便能更改数组:

  1. julia> A = SparseArray(Float64, 3, 3)
  2. 3×3 SparseArray{Float64, 2}:
  3. 0.0 0.0 0.0
  4. 0.0 0.0 0.0
  5. 0.0 0.0 0.0
  6. julia> fill!(A, 2)
  7. 3×3 SparseArray{Float64, 2}:
  8. 2.0 2.0 2.0
  9. 2.0 2.0 2.0
  10. 2.0 2.0 2.0
  11. julia> A[:] = 1:length(A); A
  12. 3×3 SparseArray{Float64, 2}:
  13. 1.0 4.0 7.0
  14. 2.0 5.0 8.0
  15. 3.0 6.0 9.0

索引 AbstractArray 的结果本身可以是数组(例如,在使用 AbstractRange 时)。AbstractArray 回退方法使用 similar 来分配具有适当大小和元素类型的 Array,该数组使用上述的基本索引方法填充。但是,在实现数组封装器时,你通常希望也封装结果:

  1. julia> A[1:2,:]
  2. 2×3 SparseArray{Float64, 2}:
  3. 1.0 4.0 7.0
  4. 2.0 5.0 8.0

在此例中,创建合适的封装数组通过定义 Base.similar(A::SparseArray, ::Type{T}, dims::Dims) where T 来实现。(请注意,虽然 similar 支持 1 参数和 2 参数形式,但在大多数情况下,你只需要专门定义 3 参数形式。)为此,SparseArray 是可变的(支持 setindex!)便很重要。为 SparseArray 定义 similargetindexsetindex! 也使得该数组能够 copy

  1. julia> copy(A)
  2. 3×3 SparseArray{Float64,2}:
  3. 1.0 4.0 7.0
  4. 2.0 5.0 8.0
  5. 3.0 6.0 9.0

除了上面的所有可迭代和可索引方法之外,这些类型还能相互交互,并使用在 Julia Base 中为 AbstractArray 定义的大多数方法:

  1. julia> A[SquaresVector(3)]
  2. 3-element SparseArray{Float64, 1}:
  3. 1.0
  4. 4.0
  5. 9.0
  6. julia> sum(A)
  7. 45.0

如果要定义允许非传统索引(索引以 1 之外的数字开始)的数组类型,你应该专门指定 axes。你也应该专门指定 similar,以便 dims 参数(通常是大小为 Dims 的元组)可以接收 AbstractUnitRange 对象,它也许是你自己设计的 range 类型 Ind。有关更多信息,请参阅使用自定义索引的数组

等步长数组

实习方法简要描述
strides(A)返回每个维度中相邻元素之间的内存距离(以内存元素数量的形式)组成的元组。如果 AAbstractArray{T,0},这应该返回空元组。
Base.unsafe_convert(::Type{Ptr{T}}, A)返回数组的本地内存地址
Base.elsize(::Type{<:A})返回数组中连续元素的步长
可选方法默认定义简要描述
stride(A, i::Int)strides(A)[i]返回维度 i(译注:原文为 k)上相邻元素之间的内存距离(以内存元素数量的形式)。

等步长数组是 AbstractArray 的子类型,其条目以固定步长储存在内存中。如果数组的元素类型与 BLAS 兼容,则 strided 数组可以利用 BLAS 和 LAPACK 例程来实现更高效的线性代数例程。用户定义的 strided 数组的典型示例是把标准 Array 用附加结构进行封装的数组。

警告:如果底层存储实际上不是 strided,则不要实现这些方法,因为这可能导致错误的结果或段错误。

下面是一些示例,用来演示哪些数组类型是 strided 数组,哪些不是:

  1. 1:5 # not strided (there is no storage associated with this array.)
  2. Vector(1:5) # is strided with strides (1,)
  3. A = [1 5; 2 6; 3 7; 4 8] # is strided with strides (1,4)
  4. V = view(A, 1:2, :) # is strided with strides (1,4)
  5. V = view(A, 1:2:3, 1:2) # is strided with strides (2,4)
  6. V = view(A, [1,2,4], :) # is not strided, as the spacing between rows is not fixed.

自定义广播

需要实现的方法简短描述
Base.BroadcastStyle(::Type{SrcType}) = SrcStyle()SrcType 的广播行为
Base.similar(bc::Broadcasted{DestStyle}, ::Type{ElType})输出容器的分配
可选方法
Base.BroadcastStyle(::Style1, ::Style2) = Style12()混合广播风格的优先级规则
Base.axes(x)用于广播的 x 的索引的声明(默认为 axes(x)
Base.broadcastable(x)x 转换为一个具有 axes 且支持索引的对象
绕过默认机制
Base.copy(bc::Broadcasted{DestStyle})broadcast 的自定义实现
Base.copyto!(dest, bc::Broadcasted{DestStyle})专门针对 DestStyle 的自定义 broadcast! 实现
Base.copyto!(dest::DestType, bc::Broadcasted{Nothing})专门针对 DestStyle 的自定义 broadcast! 实现
Base.Broadcast.broadcasted(f, args…)覆盖融合表达式中的默认惰性行为
Base.Broadcast.instantiate(bc::Broadcasted{DestStyle})覆盖惰性广播的 axes 的计算

广播可由 broadcastbroadcast! 的显式调用、或者像 A .+ bf.(x, y) 这样的「点」操作隐式触发。任何具有 axes 且支持索引的对象都可作为参数参与广播,默认情况下,广播结果储存在 Array 中。这个基本框架可通过三个主要方式扩展:

  • 确保所有参数都支持广播
  • 为给定参数集选择合适的输出数组
  • 为给定参数集选择高效的实现

不是所有类型都支持 axes 和索引,但许多类型便于支持广播。Base.broadcastable 函数会在每个广播参数上调用,它能返回与广播参数不同的支持 axes 和索引的对象。默认情况下,对于所有 AbstractArrayNumber 来说这是 identity 函数——因为它们已经支持 axes 和索引了。少数其它类型(包括但不限于类型本身、函数、像 missingnothing 这样的特殊单态类型以及日期)为了能被广播,Base.broadcastable 会返回封装在 Ref 的参数来充当 0 维「标量」。自定义类型可以类似地指定 Base.broadcastable 来定义其形状,但是它们应当遵循 collect(Base.broadcastable(x)) == collect(x) 的约定。一个值得注意的例外是 AbstractString;字符串是个特例,为了能被广播其表现为标量,尽管它们是其字符的可迭代集合(详见 字符串)。

接下来的两个步骤(选择输出数组和实现)依赖于如何确定给定参数集的唯一解。广播必须接受其参数的所有不同类型,并把它们折叠到一个输出数组和实现。广播称此唯一解为“风格”。每个可广播对象都有自己的首选风格,并使用类似于类型提升的系统将这些风格组合成一个唯一解——“目标风格”。

广播风格

抽象类型 Base.BroadcastStyle 派生了所有的广播风格。其在用作函数时有两种可能的形式,分别为一元形式(单参数)和二元形式。使用一元形式表明你打算实现特定的广播行为和/或输出类型,并且不希望依赖于默认的回退 Broadcast.DefaultArrayStyle

为了覆盖这些默认值,你可以为对象自定义 BroadcastStyle

  1. struct MyStyle <: Broadcast.BroadcastStyle end
  2. Base.BroadcastStyle(::Type{<:MyType}) = MyStyle()

在某些情况下,无需定义 MyStyle 也许很方便,在这些情况下,你可以利用一个通用的广播封装器:

  • Base.BroadcastStyle(::Type{<:MyType}) = Broadcast.Style{MyType}() 可用于任意类型。
  • 如果 MyType 是一个 AbstractArray,首选是 Base.BroadcastStyle(::Type{<:MyType}) = Broadcast.ArrayStyle{MyType}()
  • 对于只支持某个具体维度的 AbstractArrays,请创建 Broadcast.AbstractArrayStyle{N} 的子类型(请参阅下文)。

当你的广播操作涉及多个参数,各个广播风格将合并,来确定唯一一个 DestStyle 以控制输出容器的类型。有关更多详细信息,请参阅下文

选择合适的输出数组

每个广播操作都会计算广播风格以便支持派发和专门化。结果数组的实际分配由 similar 处理,其使用 Broadcasted 对象作为其第一个参数。

  1. Base.similar(bc::Broadcasted{DestStyle}, ::Type{ElType})

回退定义是

  1. similar(bc::Broadcasted{DefaultArrayStyle{N}}, ::Type{ElType}) where {N,ElType} =
  2. similar(Array{ElType}, axes(bc))

但是,如果需要,你可以专门化任何或所有这些参数。最后的参数 bc 是(还可能是融合的)广播操作的惰性表示,即 Broadcasted 对象。出于这些目的,该封装器中最重要的字段是 fargs,分别描述函数和参数列表。请注意,参数列表可以——并且经常——包含其它嵌套的 Broadcasted 封装器。

举个完整的例子,假设你创建了类型 ArrayAndChar,该类型存储一个数组和单个字符:

  1. struct ArrayAndChar{T,N} <: AbstractArray{T,N}
  2. data::Array{T,N}
  3. char::Char
  4. end
  5. Base.size(A::ArrayAndChar) = size(A.data)
  6. Base.getindex(A::ArrayAndChar{T,N}, inds::Vararg{Int,N}) where {T,N} = A.data[inds...]
  7. Base.setindex!(A::ArrayAndChar{T,N}, val, inds::Vararg{Int,N}) where {T,N} = A.data[inds...] = val
  8. Base.showarg(io::IO, A::ArrayAndChar, toplevel) = print(io, typeof(A), " with char '", A.char, "'")

你可能想要广播保留“元数据”char。为此,我们首先定义

  1. Base.BroadcastStyle(::Type{<:ArrayAndChar}) = Broadcast.ArrayStyle{ArrayAndChar}()

这意味着我们还必须定义相应的 similar 方法:

  1. function Base.similar(bc::Broadcast.Broadcasted{Broadcast.ArrayStyle{ArrayAndChar}}, ::Type{ElType}) where ElType
  2. # Scan the inputs for the ArrayAndChar:
  3. A = find_aac(bc)
  4. # Use the char field of A to create the output
  5. ArrayAndChar(similar(Array{ElType}, axes(bc)), A.char)
  6. end
  7. "`A = find_aac(As)` returns the first ArrayAndChar among the arguments."
  8. find_aac(bc::Base.Broadcast.Broadcasted) = find_aac(bc.args)
  9. find_aac(args::Tuple) = find_aac(find_aac(args[1]), Base.tail(args))
  10. find_aac(x) = x
  11. find_aac(::Tuple{}) = nothing
  12. find_aac(a::ArrayAndChar, rest) = a
  13. find_aac(::Any, rest) = find_aac(rest)

在这些定义中,可以得到以下行为:

  1. julia> a = ArrayAndChar([1 2; 3 4], 'x')
  2. 2×2 ArrayAndChar{Int64, 2} with char 'x':
  3. 1 2
  4. 3 4
  5. julia> a .+ 1
  6. 2×2 ArrayAndChar{Int64, 2} with char 'x':
  7. 2 3
  8. 4 5
  9. julia> a .+ [5,10]
  10. 2×2 ArrayAndChar{Int64, 2} with char 'x':
  11. 6 7
  12. 13 14

使用自定义实现扩展广播

一般来说,广播操作由一个惰性 Broadcasted 容器表示,该容器保存要应用的函数及其参数。这些参数可能本身是嵌套得更深的 Broadcasted 容器,并一起形成了一个待求值的大型表达式树。嵌套的 Broadcasted 容器树可由隐式的点语法直接构造;例如,5 .+ 2.*xBroadcasted(+, 5, Broadcasted(*, 2, x)) 暂时表示。这对于用户是不可见的,因为它是通过调用 copy 立即实现的,但是此容器为自定义类型的作者提供了广播可扩展性的基础。然后,内置的广播机制将根据参数确定结果的类型和大小,为它分配内存,并最终通过默认的 copyto!(::AbstractArray, ::Broadcasted) 方法将 Broadcasted 对象复制到其中。内置的回退 broadcastbroadcast! 方法类似地构造操作的暂时 Broadcasted 表示,因此它们共享相同的代码路径。这便允许自定义的数组实现通过提供它们自己的专门化 copyto! 来定义和优化广播。这再次由计算后的广播风格确定。此广播风格在广播操作中非常重要,以至于它被存储为 Broadcasted 类型的第一个类型参数,且允许派发和专门化。

对于某些类型,跨越层层嵌套的广播的「融合」操作无法实现,或者无法更高效地逐步完成。在这种情况下,你可能需要或者想要求值 x .* (x .+ 1),就好像该式已被编写成 broadcast(*, x, broadcast(+, x, 1)),其中内部广播操作会在处理外部广播操作前进行求值。这种直接的操作以有点间接的方式得到直接支持;Julia 不会直接构造 Broadcasted 对象,而会将 待融合的表达式 x .* (x .+ 1) 降低为 Broadcast.broadcasted(*, x, Broadcast.broadcasted(+, x, 1))。现在,默认情况下,broadcasted 只会调用 Broadcasted 构造函数来创建待融合表达式树的惰性表示,但是你可以选择为函数和参数的特定组合覆盖它。

举个例子,内置的 AbstractRange 对象使用此机制优化广播表达式的片段,这些表达式片段可以只根据 start、step 和 length(或 stop)直接进行求值,而无需计算每个元素。与所有其它机制一样,broadcasted 也会计算并暴露其参数的组合广播风格,所以你可以为广播风格、函数和参数的任意组合专门化 broadcasted(::DestStyle, f, args...),而不是专门化 broadcasted(f, args...)

例如,以下定义支持 range 的负运算:

  1. broadcasted(::DefaultArrayStyle{1}, ::typeof(-), r::OrdinalRange) = range(-first(r), step=-step(r), length=length(r))

扩展 in-place 广播

In-place 广播可通过定义合适的 copyto!(dest, bc::Broadcasted) 方法来支持。由于你可能想要专门化 destbc 的特定子类型,为了避免包之间的歧义,我们建议采用以下约定。

如果你想要专门化特定的广播风格 DestStyle,请为其定义一个方法

  1. copyto!(dest, bc::Broadcasted{DestStyle})

你可选择使用此形式,如果使用,你还可以专门化 dest 的类型。

如果你想专门化目标类型 DestType 而不专门化 DestStyle,那么你应该定义一个带有以下签名的方法:

  1. copyto!(dest::DestType, bc::Broadcasted{Nothing})

这利用了 copyto! 的回退实现,它将该封装器转换为一个 Broadcasted{Nothing} 对象。因此,专门化 DestType 的方法优先级低于专门化 DestStyle 的方法。

同样,你可以使用 copy(::Broadcasted) 方法完全覆盖 out-of-place 广播。

使用 Broadcasted 对象

当然,为了实现这样的 copycopyto! 方法,你必须使用 Broadcasted 封装器来计算每个元素。这主要有两种方式:

  • Broadcast.flatten 将可能的嵌套操作重新计算为单个函数并平铺参数列表。你自己负责实现广播形状规则,但这在有限的情况下可能会有所帮助。
  • 迭代 axes(::Broadcasted)CartesianIndices 并使用所生成的 CartesianIndex 对象的索引来计算结果。

编写二元广播规则

广播风格的优先级规则由二元 BroadcastStyle 调用定义:

  1. Base.BroadcastStyle(::Style1, ::Style2) = Style12()

其中,Style12 是你要为输出所选择的 BroadcastStyle,所涉及的参数具有 Style1Style2。例如,

  1. Base.BroadcastStyle(::Broadcast.Style{Tuple}, ::Broadcast.AbstractArrayStyle{0}) = Broadcast.Style{Tuple}()

表示 Tuple「胜过」零维数组(输出容器将是元组)。值得注意的是,你不需要(也不应该)为此调用的两个参数顺序下定义;无论用户提供的以何种顺序提供参数,定义一个就够了。

对于 AbstractArray 类型,定义 BroadcastStyle 将取代回退选择 Broadcast.DefaultArrayStyleDefaultArrayStyle 及其抽象超类型 AbstractArrayStyle 将维度存储为类型参数,以支持具有固定维度需求的特定数组类型。

由于以下方法,DefaultArrayStyle「输给」任何其它已定义的 AbstractArrayStyle

  1. BroadcastStyle(a::AbstractArrayStyle{Any}, ::DefaultArrayStyle) = a
  2. BroadcastStyle(a::AbstractArrayStyle{N}, ::DefaultArrayStyle{N}) where N = a
  3. BroadcastStyle(a::AbstractArrayStyle{M}, ::DefaultArrayStyle{N}) where {M,N} =
  4. typeof(a)(Val(max(M, N)))

除非你想要为两个或多个非 DefaultArrayStyle 的类型建立优先级,否则不需要编写二元 BroadcastStyle 规则。

如果你的数组类型确实有固定的维度需求,那么你应该定义一个 AbstractArrayStyle 的子类型。例如,稀疏数组的代码中有以下定义:

  1. struct SparseVecStyle <: Broadcast.AbstractArrayStyle{1} end
  2. struct SparseMatStyle <: Broadcast.AbstractArrayStyle{2} end
  3. Base.BroadcastStyle(::Type{<:SparseVector}) = SparseVecStyle()
  4. Base.BroadcastStyle(::Type{<:SparseMatrixCSC}) = SparseMatStyle()

每当你定义一个 AbstractArrayStyle 的子类型,你还需要定义用于组合维度的规则,这通过为你的广播风格创建带有一个 Val(N) 参数的构造函数。例如:

  1. SparseVecStyle(::Val{0}) = SparseVecStyle()
  2. SparseVecStyle(::Val{1}) = SparseVecStyle()
  3. SparseVecStyle(::Val{2}) = SparseMatStyle()
  4. SparseVecStyle(::Val{N}) where N = Broadcast.DefaultArrayStyle{N}()

这些规则表明 SparseVecStyle 与 0 维或 1 维数组的组合会产生另一个 SparseVecStyle,与 2 维数组的组合会产生 SparseMatStyle,而与维度更高的数组则回退到任意维密集矩阵的框架中。这些规则允许广播为产生一维或二维输出的操作保持其稀疏表示,但为任何其它维度生成 Array