# 1.7。用@jitclass 编译 python 类 > 原文： [http://numba.pydata.org/numba-doc/latest/user/jitclass.html](http://numba.pydata.org/numba-doc/latest/user/jitclass.html) 注意 这是 jitclass 支持的早期版本。并非所有编译功能都已公开或实现。 Numba 通过 [`numba.jitclass()`](#numba.jitclass "numba.jitclass") 装饰器支持类的代码生成。可以使用此装饰器标记类以进行优化，同时指定每个字段的类型。我们将生成的类对象称为 jitclass。 jitclass 的所有方法都被编译成 nopython 函数。 jitclass 实例的数据在堆上作为 C 兼容结构分配，以便任何已编译的函数可以绕过解释器直接访问底层数据。 ## 1.7.1。基本用法 这是一个 jitclass 的例子： ```py import numpy as np from numba import jitclass # import the decorator from numba import int32, float32 # import the types spec = [ ('value', int32), # a simple scalar field ('array', float32[:]), # an array field ] @jitclass(spec) class Bag(object): def __init__(self, value): self.value = value self.array = np.zeros(value, dtype=np.float32) @property def size(self): return self.array.size def increment(self, val): for i in range(self.size): self.array[i] = val return self.array ``` （参见源代码树中 <cite>examples / jitclass.py</cite> 的完整示例） 在上面的例子中，`spec`被提供为 2 元组的列表。元组包含字段的名称和字段的 numba 类型。或者，用户可以使用字典（`OrderedDict`优选地用于稳定字段排序），其将字段名称映射到类型。 该类的定义至少需要一个`__init__`方法来初始化每个定义的字段。未初始化的字段包含垃圾数据。可以定义方法和属性（仅限 getter 和 setter）。它们将自动编译。 ## 1.7.2。支持操作 jitclasses 的以下操作在解释器和 numba 编译函数中都有效： * 调用 jitclass 类对象来构造一个新实例（例如`mybag = Bag(123)`）; * 对属性和属性的读/写访问（例如`mybag.value`）; * 调用方法（例如`mybag.increment(3)`）; 在 numba 编译函数中使用 jitclasses 更有效。可以内联简短方法（由 LLVM inliner 决定）。属性访问只是从 C 结构中读取。使用来自 intpreter 的 jitclasses 具有从解释器调用任何 numba 编译函数的相同开销。参数和返回值必须在 python 对象和本机表示之间取消装箱或装箱。当 jitclass 实例传递给解释器时，由 jitclass 封装的值不会被装入 python 对象。在对字段值的属性访问期间，它们被装箱。 ## 1.7.3。限制 * jitclass 类对象被视为 numba 编译函数内的函数（构造函数）。 * `isinstance()`仅适用于口译员。 * 尚未优化在解释器中操作 jitclass 实例。 * 仅在 CPU 上提供对 jitclasses 的支持。 （注意：计划在将来的版本中支持 GPU 设备。） ## 1.7.4。装饰者：`@jitclass` ```py numba.jitclass(spec) ``` 用于创建 jitclass 的装饰器。 **参数**： * ```py spec: ``` 指定此类中每个字段的类型。必须是字典或序列。使用字典，使用 collections.OrderedDict 进行稳定排序。对于序列，它必须包含 2 元组（fieldname，fieldtype）。 **返回**： 一个可调用的，它接受一个将被编译的类对象。