# 1.4。使用`@jit` 编译 Python 代码 > 原文： [http://numba.pydata.org/numba-doc/latest/user/jit.html](http://numba.pydata.org/numba-doc/latest/user/jit.html) Numba 为代码生成提供了几个实用程序，但它的核心功能是 [`numba.jit()`](../reference/jit-compilation.html#numba.jit "numba.jit") 装饰器。使用这个装饰器，您可以通过 Numba 的 JIT 编译器标记一个函数进行优化。各种调用模式会触发不同的编译选项和行为。 ## 1.4.1。基本用法 ### 1.4.1.1。懒惰编译 使用`@jit`装饰器的推荐方法是让 Numba 决定何时以及如何优化： ```py from numba import jit @jit def f(x, y): # A somewhat trivial example return x + y ``` 在此模式下，编译将推迟到第一个函数执行。 Numba 将在调用时推断参数类型，并根据此信息生成优化代码。 Numba 还可以根据输入类型编译单独的特化。例如，使用整数或复数调用上面的`f()`函数将生成不同的代码路径： ```py >>> f(1, 2) 3 >>> f(1j, 2) (2+1j) ``` ### 1.4.1.2。急切的编译 您还可以告诉 Numba 您期望的功能签名。函数`f()`现在看起来像： ```py from numba import jit, int32 @jit(int32(int32, int32)) def f(x, y): # A somewhat trivial example return x + y ``` `int32(int32, int32)`是函数的签名。在这种情况下，相应的特化将由`@jit`装饰器编译，并且不允许其他专门化。如果您希望对编译器选择的类型进行细粒度控制（例如，使用单精度浮点数），这将非常有用。 如果省略返回类型，例如通过写`(int32, int32)`而不是`int32(int32, int32)`，Numba 将尝试为您推断它。函数签名也可以是字符串，您可以将其中的几个作为列表传递;有关详细信息，请参阅 [`numba.jit()`](../reference/jit-compilation.html#numba.jit "numba.jit") 文档。 当然，编译的函数给出了预期的结果： ```py >>> f(1,2) 3 ``` 如果我们将`int32`指定为返回类型，则高位位被丢弃： ```py >>> f(2**31, 2**31 + 1) 1 ``` ## 1.4.2。调用和内联其他功能 Numba 编译的函数可以调用其他编译函数。函数调用甚至可以在本机代码中内联，具体取决于优化器启发式。例如： ```py @jit def square(x): return x ** 2 @jit def hypot(x, y): return math.sqrt(square(x) + square(y)) ``` `@jit`装饰器 _ 必须将 _ 添加到任何此类库函数中，否则 Numba 可能会生成更慢的代码。 ## 1.4.3。签名规格 显式`@jit`签名可以使用多种类型。以下是一些常见的： * `void`是没有返回任何内容的函数的返回类型（从 Python 调用时实际返回`None`） * `intp`和`uintp`是指针大小的整数（分别是有符号和无符号） * `intc`和`uintc`相当于 C `int`和`unsigned int`整数类型 * `int8`，`uint8`，`int16`，`uint16`，`int32`，`uint32`，`int64`，`uint64`是相应位宽的有限宽度整数（有符号和无符号） * `float32`和`float64`分别是单精度和双精度浮点数 * `complex64`和`complex128`分别是单精度和双精度复数 * 数组类型可以通过索引任何数字类型来指定，例如一维单精度数组的`float32[:]`或 8 位整数的二维数组的`int8[:,:]`。 ## 1.4.4。编译选项 可以将许多仅关键字参数传递给`@jit`装饰器。 ### 1.4.4.1。 `nopython` Numba 有两种编译模式： [nopython 模式](../glossary.html#term-nopython-mode)和[对象模式](../glossary.html#term-object-mode)。前者产生更快的代码，但有一些限制可以迫使 Numba 回到后者。为防止 Numba 退回，而是引发错误，请传递`nopython=True`。 ```py @jit(nopython=True) def f(x, y): return x + y ``` 也可以看看 [故障排除和提示](troubleshoot.html#numba-troubleshooting) ### 1.4.4.2。 `nogil` 每当 Numba 将 Python 代码优化为仅适用于本机类型和变量（而不是 Python 对象）的本机代码时，就不再需要持有 Python 的[全局解释器锁](https://docs.python.org/3/glossary.html#term-global-interpreter-lock "(in Python v3.7)")（GIL）。如果您通过`nogil=True`，Numba 将在输入此类编译函数时释放 GIL。 ```py @jit(nogil=True) def f(x, y): return x + y ``` 使用 GIL 发布的代码与执行 Python 或 Numba 代码的其他线程（相同的编译函数或其他代码）同时运行，允许您利用多核系统。如果在[对象模式](../glossary.html#term-object-mode)中编译该功能，则无法进行此操作。 使用`nogil=True`时，您必须警惕多线程编程的常见缺陷（一致性，同步，竞争条件等）。 ### 1.4.4.3。 `cache` 为了避免每次调用 Python 程序时的编译时间，可以指示 Numba 将函数编译的结果写入基于文件的缓存中。这是通过传递`cache=True`来完成的： ```py @jit(cache=True) def f(x, y): return x + y ``` ### 1.4.4.4。 `parallel` 为已知具有并行语义的函数中的那些操作启用自动并行化（和相关优化）。有关支持的操作列表，请参阅[使用@jit](parallel.html#numba-parallel) 自动并行化。通过`parallel=True`启用此功能，必须与`nopython=True`一起使用： ```py @jit(nopython=True, parallel=True) def f(x, y): return x + y ``` 也可以看看 [使用@jit](parallel.html#numba-parallel) 自动并行化