# 1.18。会谈和教程
> 原文: [http://numba.pydata.org/numba-doc/latest/user/talks.html](http://numba.pydata.org/numba-doc/latest/user/talks.html)
注意
这是 Numba 团队成员和 Numba 用户提供的精选讲座和教程。如果您知道应该包含在此列表中的与 Numba 相关的演讲,请[打开一个问题](https://github.com/numba/numba/issues)。
## 1.18.1。谈论 Numba
* AnacondaCON 2018 - 用 Numba 加速科学工作量 - Siu Kwan Lam([视频](https://www.youtube.com/watch?v=6oXedk2tGfk))
* [DIANA-HEP 会议,2018 年 4 月 23 日](https://indico.cern.ch/event/709711/) - Numba 概述 - Stan Seibert
## 1.18.2。谈谈 Numba 的应用
* PyData Berlin 2018 - 使用 Apache Arrow 和 Numba 扩展熊猫 - Uwe L. Korn([视频](https://www.youtube.com/watch?v=tvmX8YAFK80),[博客](https://uwekorn.com/2018/08/03/use-numba-to-work-with-apache-arrow-in-pure-python.html))
* SciPy 2018 - UMAP:均匀流形逼近和尺寸缩小投影 - Leland McInnes([视频](https://www.youtube.com/watch?v=nq6iPZVUxZU), [Github](https://github.com/lmcinnes/umap) )
* 2016 年 GPU 技术大会 - 在 GPU 上使用 Python / Numba 加速等离子体物理的光谱算法 - Manuel Kirchen&雷米·勒赫([幻灯片](http://on-demand.gputechconf.com/gtc/2016/presentation/s6353-manuel-kirchen-spectral-algorithm-plasma-physics.pdf))
* [DIANA-HEP 会议,2018 年 4 月 23 日](https://indico.cern.ch/event/709711/) - 在 XENONnT 中使用 Numba - Chris Tunnell
* [DIANA-HEP 会议,2018 年 4 月 23 日](https://indico.cern.ch/event/709711/) - 为 HEP 数据类型扩展 Numba - Jim Pivarski
* STAC 峰会,2017 年 11 月 1 日 - 以最小的努力扩展高性能 Python - Ehsan Totoni([视频](https://stacresearch.com/STAC-Summit-1-Nov-2017-Intel-Totoni),[幻灯片](https://stacresearch.com/system/files/resource/files/STAC-Summit-1-Nov-2017-Intel-Totoni.pdf))
## 1.18.3。教程
* SciPy 2017 - Numba:告诉那些 C ++恶霸失去了 - Gil Forsyth& Lorena Barba([视频](https://www.youtube.com/watch?v=1AwG0T4gaO0),[笔记本](https://github.com/gforsyth/numba_tutorial_scipy2017))
* GPU 技术大会 2018 年 - 使用 Numba 进行 Python 的 GPU 计算 - Stan Seibert([笔记本](https://github.com/ContinuumIO/gtc2018-numba))
- 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