프로그래밍 언어를 배우는 과정에서 우리는 종종 인터프리터언어와 컴파일러 언어라는 용어를 접하게 됩니다.
이 두 가지 언어는 프로그램을 실행하는 방식에 있어 큰 차이를 보이는데, 마치 두 언어가 서로 다른 성격을 가진 사람처럼 느껴질 때가 있습니다. 인터프리터 언어는 즉흥적이고 유연한 반면, 컴파일러 언어는 엄격하고 규칙적 입니다.

이 글에서는 이 둘의 특징과 장단점을 살펴보고, 어떤 상황에서 어떤 언어를 선택하는 것이 좋을지 알아보겠습니다. 또한, 최근 등장한 JIT 컴파일러처럼 두 언어의 장점을 결합한 혁신적인 기술도 함께 살펴보겠습니다. 그럼 재미있는 언어 이야기 속으로 빠져볼까요?

인터프리터 언어 vs 컴파일 언어

인터프리트 언어 : javascript and python

인터프리터 언어는 프로그램을 한 줄씩 읽어 들이면서 즉시 실행하는 방식입니다.
인터프리터는 소스 코드를 직접 해석하고 실행하므로, 컴파일 과정이 필요하지 않습니다. 이는 개발 과정에서 빠른 피드백을 받을 수 있다는 장점이 있습니다. 또한, 인터프리터 언어는 동적 타이핑을 지원하여 변수의 타입을 명시하지 않아도 되므로 코드 작성이 간결해집니다. 대표적인 인터프리터 언어로는 Python, JavaScript, Ruby 등이 있습니다.

그러나 인터프리터 언어는 실행 속도가 상대적으로 느리다는 단점이 있습니다. 매 실행 시마다 소스 코드를 해석해야 하므로, 대규모 프로그램이나 복잡한 연산을 수행할 때는 성능 저하가 발생할 수 있습니다. 또한, 소스 코드가 그대로 노출되므로 코드 보안에 취약할 수 있습니다.

컴파일언어의 대표주자 : Java & Go

반면에 컴파일러 언어는 소스 코드를 기계어로 번역하는 컴파일 과정을 거칩니다. 컴파일러는 소스 코드 전체를 한 번에 분석하고, 최적화를 수행한 후 실행 파일을 생성합니다.
이 실행 파일은 컴퓨터에서 직접 실행될 수 있으므로, 인터프리터 언어에 비해 실행 속도가 빠릅니다. 또한, 컴파일 과정에서 코드 최적화와 오류 검사가 이루어지므로, 더 안정적이고 효율적인 프로그램을 만들 수 있습니다. 대표적인 컴파일러 언어로는 C, C++, Java, Go 등이 있습니다.

하지만 컴파일러 언어는 개발 과정에서 컴파일 시간이 소요되므로, 인터프리터 언어에 비해 개발 속도가 느릴 수 있습니다. 또한, 컴파일된 실행 파일은 특정 운영 체제와 아키텍처에 종속되므로, 다른 환경에서 실행하려면 별도의 컴파일 과정이 필요합니다.

인터프리터 언어와 컴파일러 언어는 각각의 장단점이 있으므로, 상황에 따라 적절한 언어를 선택해야 합니다. 빠른 개발과 간결한 코드 작성이 중요한 경우에는 인터프리터 언어가 적합하며, 실행 속도와 안정성이 중요한 경우에는 컴파일러 언어가 적합합니다.

인터프리터 언어도 컴파일 할 수 있는 방법 : JIT 컴파일

요근래부터 인터프리터 언어의 실행 속도를 개선하기 위한 다양한 기술들이 개발되고 있습니다.
대표적으로 Just-In-Time (JIT) 컴파일러가 있습니다. JIT 컴파일러는 프로그램 실행 중에 자주 사용되는 코드를 기계어로 컴파일하여 성능을 개선합니다. 대표적인 사례로 Python의 PyPy, JavaScript의 V8 엔진 등이 JIT 컴파일러를 활용하여 인터프리터 언어의 속도와 성능을 개선했습니다.

딥러닝에서의 컴파일

TorchScript 사례

딥러닝에서도 컴파일이 이루어지고 있습니다. PyTorch에서는 TorchScript라는 JIT 컴파일러를 제공합니다.
TorchScript는 Python으로 작성된 PyTorch 모델을 중간 표현(IR)으로 변환한 후, 최적화를 수행하고 기계어로 컴파일합니다. 이렇게 컴파일된 모델은 Python 인터프리터 오버헤드 없이 직접 실행될 수 있으므로, 추론 속도가 크게 향상됩니다.
또한, TorchScript로 컴파일된 모델은 C++과 같은 다른 언어에서도 사용할 수 있어 배포가 용이해집니다. 또한 PyTorch 2.0이 되면서 torch.compile()이 내부로 들어오면서 훨씬 사용하기 편해졌습니다!

JAX와 XLA 로고

TensorFlow에서는 XLA(Accelerated Linear Algebra)라는 JIT 컴파일러를 사용합니다.
XLA는 TensorFlow 그래프를 입력받아 최적화하고, 머신 러닝에 특화된 도메인 지식을 활용하여 고성능 코드를 생성합니다. XLA는 특히 GPU와 TPU에서의 연산을 최적화하는 데 탁월한 성능을 보입니다.
TensorFlow 2.0부터는 @tf.function 데코레이터를 사용하여 쉽게 XLA 컴파일러를 활용할 수 있게 되었습니다. 뿐만 아니라 구글에서 만든 또다른 딥러닝 프레임워크인 JAX도 XLA 컴파일을 사용하고 있습니다! 관련 내용은 다음 블로그를 참고해주세요.

딥러닝에서 JIT 컴파일러를 사용하면 모델 학습과 추론 속도를 크게 향상시킬 수 있습니다. 특히 대규모 데이터셋과 복잡한 모델을 다룰 때 JIT 컴파일러의 효과가 두드러집니다. 또한, 모바일 기기나 엣지 디바이스에서의 추론 속도 향상에도 JIT 컴파일러가 중요한 역할을 합니다.

결론

결과적으로, 인터프리터 언어와 컴파일러 언어의 선택은 프로젝트의 특성과 요구사항에 따라 달라질 수 있습니다.
빠른 개발과 유연성이 중요하다면 인터프리터 언어를, 실행 속도와 안정성이 중요하다면 컴파일러 언어를 선택하는 것이 좋습니다 또한, JIT 컴파일러와 같은 혁신적인 기술을 활용하여 언어의 단점을 보완할 수 있습니다.
앞으로도 프로그래밍 언어와 컴파일 기술은 계속해서 발전할 것이며, 개발자들은 상황에 맞는 최적의 도구를 선택하여 효과적으로 프로그램을 개발해 나가야 할 것입니다.