# 1.12。从 JIT 代码 中回调到 Python 解释器
> 原文: [http://numba.pydata.org/numba-doc/latest/user/withobjmode.html](http://numba.pydata.org/numba-doc/latest/user/withobjmode.html)
当 nopython-mode 函数需要回调到 Python 解释器来调用无法由 Numba 编译的代码时,有一些罕见但真实的情况。此类案件包括:
* 记录长期运行 JIT 函数的进度;
* 使用 Numba 当前不支持的数据结构;
* 使用 Python 调试器在 JIT 代码中调试。
当 Numba 回调到 Python 解释器时,必须发生以下情况:
* 获得 GIL;
* 将本机表示中的值转换回 Python 对象;
* 回调 Python 解释器;
* 将返回值从 Python 代码转换为本机表示;
* 发布 GIL。
这些步骤可能很昂贵。用户**不应该**依赖于此处描述的性能关键路径上的功能。
## 1.12.1。 `objmode`上下文管理器
警告
此功能很容易被误用。在使用此功能之前,用户应首先考虑其他方法以实现其预期目标。
```py
numba.objmode(*args, **kwargs)
```
创建一个上下文管理器,用于在 jitted 函数内部输入 _ 对象模式 _ 以使用解释器功能。 with-context 的主体被提升到一个在 _object-mode_ 中编译的函数。此转换过程受到限制,无法处理所有可能的 Python 代码。但是,用户可以将复杂的逻辑包装在另一个 Python 函数中,然后由解释器执行。
将此用作仅接受关键字参数的函数。参数名称必须与 with-block 的输出变量相对应。它们各自的值是表示预期类型的字符串。退出 with-context 时,输出变量将根据注释强制转换为预期的 nopython 类型。此过程与将 Python 对象传递到 nopython 函数的参数相同。
例:
```py
import numpy as np
from numba import njit, objmode
def bar(x):
# This code is executed by the interpreter.
return np.asarray(list(reversed(x.tolist())))
@njit
def foo():
x = np.arange(5)
y = np.zeros_like(x)
with objmode(y='intp[:]'): # annotate return type
# this region is executed by object-mode.
y += bar(x)
return y
```
注意
已知限制:
* with-block 无法使用传入的列表对象。
* with-block 无法使用传入的函数对象。
* with-block 不能`yield`,`break`,`return`或`raise`,执行将立即离开 with-block。
* with-block 不能包含带有语句的<cite>。</cite>
* 随机数发生器状态不同步;即 nopython-mode 和 object-mode 使用不同的 RNG 状态。
注意
在非 python 模式之外使用时,context-manager 无效。
警告
此功能是实验性的。支持的功能可能会随着或不通知而改变。
- 1. 用户手册
- 1.1。 Numba 的约 5 分钟指南
- 1.2。概述
- 1.3。安装
- 1.4。使用@jit 编译 Python 代码
- 1.5。使用@generated_jit 进行灵活的专业化
- 1.6。创建 Numpy 通用函数
- 1.7。用@jitclass 编译 python 类
- 1.8。使用@cfunc 创建 C 回调
- 1.9。提前编译代码
- 1.10。使用@jit 自动并行化
- 1.11。使用@stencil装饰器
- 1.12。从 JIT 代码 中回调到 Python 解释器
- 1.13。性能提示
- 1.14。线程层
- 1.15。故障排除和提示
- 1.16。常见问题
- 1.17。示例
- 1.18。会谈和教程
- 2. 参考手册
- 2.1。类型和签名
- 2.2。即时编译
- 2.3。提前编译
- 2.4。公用事业
- 2.5。环境变量
- 2.6。支持的 Python 功能
- 2.7。支持的 NumPy 功能
- 2.8。与 Python 语义的偏差
- 2.9。浮点陷阱
- 2.10。 Python 2.7 寿命终止计划
- 3. 用于 CUDA GPU 的 Numba
- 3.1。概述
- 3.2。编写 CUDA 内核
- 3.3。内存管理
- 3.4。编写设备功能
- 3.5。 CUDA Python 中支持的 Python 功能
- 3.6。支持的原子操作
- 3.7。随机数生成
- 3.8。设备管理
- 3.10。示例
- 3.11。使用 CUDA 模拟器 调试 CUDA Python
- 3.12。 GPU 减少
- 3.13。 CUDA Ufuncs 和广义 Ufuncs
- 3.14。共享 CUDA 内存
- 3.15。 CUDA 阵列接口
- 3.16。 CUDA 常见问题
- 4. CUDA Python 参考
- 4.1。 CUDA 主机 API
- 4.2。 CUDA 内核 API
- 4.3。内存管理
- 5. 用于 AMD ROC GPU 的 Numba
- 5.1。概述
- 5.2。编写 HSA 内核
- 5.3。内存管理
- 5.4。编写设备功能
- 5.5。支持的原子操作
- 5.6。代理商
- 5.7。 ROC Ufuncs 和广义 Ufuncs
- 5.8。示例
- 6. 扩展 Numba
- 6.1。高级扩展 API
- 6.2。低级扩展 API
- 6.3。示例:间隔类型
- 7. 开发者手册
- 7.1。贡献给 Numba
- 7.2。 Numba 建筑
- 7.3。多态调度
- 7.4。关于发电机的注意事项
- 7.5。关于 Numba Runtime 的注意事项
- 7.6。使用 Numba Rewrite Pass 获得乐趣和优化
- 7.7。实时变量分析
- 7.8。上市
- 7.9。模板注释
- 7.10。关于自定义管道的注意事项
- 7.11。环境对象
- 7.12。哈希 的注意事项
- 7.13。 Numba 项目路线图
- 8. Numba 增强建议
- 9. 术语表