分享一个教程，看起来还不错的样子
1 个赞
google doc浏览感觉好慢啊，体验很差。感觉Jupyter用ipython实现注定了速度效率特别慢。很多时候得用https://nbviewer.jupyter.org/，但google doc是不行json格式不一样。
其次这个turorial也是不错的。Julia GPU的问题是要查看当前的CUDA version要和环境里面的Lib版本匹配。我写了Nix 的Julia_Install_CUDA 来解决环境问题。但是Pycall我还没配置。Rcall配置了。
- 这是我PR Re-open: julia kernel (update Nixpkgs version) by GTrunSec · Pull Request #106 · tweag/jupyenv · GitHub
- 解决match cuda 的问题写了一个shell Re-open: julia kernel (update Nixpkgs version) by GTrunSec · Pull Request #106 · tweag/jupyenv · GitHub
我目前在解决了一种docker方式用Nix的Julia.不用担心环境问题。Pycall问题也不大就是打一个PythonPATH到julia wrapped 就可以了。 - GitHub - PaulSoderlind/JuliaTutorial: Julia Tutorial for Finance and Econometrics Students
- GitHub - johnmyleswhite/julia_tutorials: Tutorials on Julia topics
可能我没理解清楚你尝试解决的问题，但这个不是 CUDA.jl 利用Julia 1.3 的Artifacts功能已经做好了么？
我做的是类似docker的版本。解决的是完全类似sandboxing 模式下的julia.所有的依赖配置和本机global的是不相干的。你可以理解为docker吧。Julia本身和包没有问题。只是我这边高场景需求版本依赖等等要全部控制的。所以做了一个Nix化的Julia。解决了CUDA flux 包的问题，然后就是Rcall 和Pycall依赖的我而你它。解决是docker julia所存在的问题
其次，我想提供一个Jupyter-lab Julia的机器地址给维护者。解决JuliaTutorial为大家测试。算是公共的测试系统，不管是嵌入R 还是Python 我都可以解决掉。
机器还是24核的，但是目前我没像公司申请GPU。其他们也可以一直系统的。
因为Julia我是源码编译的，像openblas和MKL都可以控制。
我觉得问题被你搞复杂了，为什么不直接建一个docker呢。这样构造多个jupyter kernel并没有把问题变得更简单。
Python或者R可能确实需要这样做，但是在Julia下，除了 IJulia 需要提前封装好以外，其他的Julia包管理应该都交给用户用 Pkg 来做。
把 JULIA_DEPOT_PATH 设置成一个公共读写的目录，很大程度上可以解决所谓缓存共享的问题。
我懂你的意思，但这并非我的目的。docker很多程度的虚拟化是封装好的，不能进一步修改包。
你可以提前阅读这篇Blog，理解一下啥是Nix-Jupyterwith。我目前完善了Julia的Nix化的问题。公共读写其实不是好事情。它并非能做到高版本控制的，我有期望去写个Julia Pkg manager to Nix (这依然需要robot和CI不停的测试最新的REV，然后prcompiling JuliaPkg.完全 sha256+rev控制。但目前我并没有太好的思路去写。所以只是单纯构建了一个nix 的Julia 包含各种依赖问题，DEPOT_PATH 到当前的目录。按理来讲，我只需要Nix 构建的Julia（可以理解为Docker）+当前目录现在precomiling的这个Julia_Pkg目录CI里 测试后，其他机器copy这个目录也是可以复现环境的。（我没测试过）。
嗯，确实不太理解你这边在做的事情，这可能和我不了解Nix能解决什么问题有关。有机会的话会去了解一下。
nix门槛还是稍微有点高，问题不大目前Julia相关我都解决了。我到手写个systemd自动化授权user就可以开放出来几个端口给大家测试了。google doc这种东西就不用了，虽然Jupyter 性能体验不是很好，但没办法的选择。我一般是emacs+org+ein写的。R有rmd还好点+rstudio.