1.介紹

　　Numba 是 python 的即時(Just-in-time)編譯器，即當你調用 python 函數時，你的全部或部分代碼就會被轉換為“即時”執行的機器碼，它將以你的本地機器碼速度運行!它由 Anaconda 公司贊助，并得到了許多其他組織的支持。

　　在 Numba 的幫助下，你可以加速所有計算負載比較大的 python 函數(例如循環)。它還支持 numpy 庫!所以，你也可以在你的計算中使用 numpy，并加快整體計算，因為 python 中的循環非常慢。你還可以使用 python 標準庫中的 math 庫的許多函數，如 sqrt 等。有關所有兼容函數的完整列表，請查看 此處。

　　2.為什么選擇 Numba?

　　那么，當有像 cython 和 Pypy 之類的許多其他編譯器時，為什么要選擇 numba?

　　原因很簡單，這樣你就不必離開寫 python 代碼的舒適區。是的，就是這樣，你根本不需要為了獲得一些的加速來改變你的代碼，這與你從類似的具有類型定義的 cython 代碼獲得的加速相當。那不是很好嗎?

　　你只需要添加一個熟悉的 python 功能，即添加一個包裝器(一個裝飾器)到你的函數上。類的裝飾器也在開發中了。

　　所以，你只需要添加一個裝飾器就可以了。例如：

　　這仍然看起來像一個原生 python 代碼，不是嗎?

　　3.如何使用 Numba?

　　Numba 使用 LLVM 編譯器基礎結構 將原生 python 代碼轉換成優化的機器碼。使用 numba 運行代碼的速度可與 C/C++ 或 Fortran 中的類似代碼相媲美。

　　以下是代碼的編譯方式：

　　首先，Python 函數被傳入，優化并轉換為 numba 的中間表達，然后在類型推斷(type inference)之后，就像 numpy 的類型推斷(所以 python float 是一個 float64)，它被轉換為 LLVM 可解釋代碼。然后將此代碼提供給 LLVM 的即時編譯器以生成機器碼。

　　你可以根據需要在運行時或導入時 生成 機器碼，導入需要在 CPU(默認)或 GPU 上進行。

　　4.使用 numba 的基本功能

　　(只需要加上 @jit !)

　　為了獲得最佳性能，numba 實際上建議在你的 jit 裝飾器中加上 nopython=True 參數，加上后就不會使用 Python 解釋器了。或者你也可以使用 @njit。如果你加上 nopython=True的裝飾器失敗并報錯，你可以用簡單的 @jit 裝飾器來編譯你的部分代碼，對于它能夠編譯的代碼，將它們轉換為函數，并編譯成機器碼。然后將其余部分代碼提供給 python 解釋器。

　　所以，你只需要這樣做：

　　當使用 @jit 時，請確保你的代碼有 numba 可以編譯的內容，比如包含庫(numpy)和它支持的函數的計算密集型循環。否則它將不會編譯任何東西，并且你的代碼將比沒有使用 numba 時更慢，因為存在 numba 內部代碼檢查的額外開銷。

　　還有更好的一點是，numba 會對首次作為機器碼使用后的函數進行緩存。因此，在第一次使用之后它將更快，因為它不需要再次編譯這些代碼，如果你使用的是和之前相同的參數類型。

　　如果你的代碼是 可并行化 的，你也可以傳遞 parallel=True 作為參數，但它必須與 nopython=True 一起使用，目前這只適用于CPU。

　　你還可以指定希望函數具有的函數簽名，但是這樣就不會對你提供的任何其他類型的參數進行編譯。例如：

　　現在你的函數只能接收兩個 int32 類型的參數并返回一個 int32 類型的值。通過這種方式，你可以更好地控制你的函數。如果需要，你甚至可以傳遞多個函數簽名。

　　你還可以使用 numba 提供的其他裝飾器：

　　@vectorize：允許將標量參數作為 numpy 的 ufuncs 使用，

　　@guvectorize：生成 NumPy 廣義上的 ufuncs，

　　@stencil：定義一個函數使其成為 stencil 類型操作的核函數

　　@jitclass：用于 jit 類，

　　@cfunc：聲明一個函數用于本地回調(被C/C++等調用)，

　　@overload：注冊你自己的函數實現，以便在 nopython 模式下使用，例如：@overload(scipy.special.j0)。

　　Numba 還有 Ahead of time(AOT)編譯，它生成不依賴于 Numba 的已編譯擴展模塊。但：

　　它只允許常規函數(ufuncs 就不行)，

　　你必須指定函數簽名。并且你只能指定一種簽名，如果需要指定多個簽名，需要使用不同的名字。

　　它還根據你的CPU架構系列生成通用代碼。

　　5.@vectorize 裝飾器

　　通過使用 @vectorize 裝飾器，你可以對僅能對標量操作的函數進行轉換，例如，如果你使用的是僅適用于標量的 python 的 math 庫，則轉換后就可以用于數組。這提供了類似于 numpy 數組運算(ufuncs)的速度。例如：

　　你還可以將 target 參數傳遞給此裝飾器，該裝飾器使 target 參數為 parallel 時用于并行化代碼，為 cuda 時用于在 cudaGPU 上運行代碼。

　　使 target=“parallel” 或 “cuda” 進行矢量化通常比 numpy 實現的代碼運行得更快，只要你的代碼具有足夠的計算密度或者數組足夠大。如果不是，那么由于創建線程以及將元素分配到不同線程需要額外的開銷，因此可能耗時更長。所以運算量應該足夠大，才能獲得明顯的加速。

　　這個視頻講述了一個用 Numba 加速用于計算流體動力學的Navier Stokes方程的例子：

　　6.在GPU上運行函數

　　你也可以像裝飾器一樣傳遞 @jit 來運行 cuda/GPU 上的函數。為此你必須從 numba 庫中導入 cuda。但是要在 GPU 上運行代碼并不像之前那么容易。為了在 GPU 上的數百甚至數千個線程上運行函數，需要先做一些初始計算。實際上，你必須聲明并管理網格，塊和線程的層次結構。這并不那么難。

　　要在GPU上執行函數，你必須定義一個叫做 核函數 或 設備函數 的函數。首先讓我們來看 核函數。

　　關于核函數要記住一些要點：

　　核函數在被調用時要顯式聲明其線程層次結構，即塊的數量和每塊的線程數量。你可以編譯一次核函數，然后用不同的塊和網格大小多次調用它。

　　核函數沒有返回值。因此，要么必須對原始數組進行更改，要么傳遞另一個數組來存儲結果。為了計算標量，你必須傳遞單元素數組。

　　因此，要啟動核函數，你必須傳入兩個參數：

　　每塊的線程數，

　　塊的數量。

　　例如：

　　每個線程中的核函數必須知道它在哪個線程中，以便了解它負責數組的哪些元素。Numba 只需調用一次即可輕松獲得這些元素的位置。

　　為了節省將 numpy 數組復制到指定設備，然后又將結果存儲到 numpy 數組中所浪費的時間，Numba 提供了一些 函數 來聲明并將數組送到指定設備，如：numba.cuda.device_array，numba.cuda。device_array_like，numba.cuda.to_device 等函數來節省不必要的復制到 cpu 的時間(除非必要)。

　　另一方面，設備函數 只能從設備內部(通過核函數或其他設備函數)調用。比較好的一點是，你可以從 設備函數 中返

　　你還應該在這里查看 Numba 的 cuda 庫支持的功能。

　　Numba 在其 cuda 庫中也有自己的原子操作，隨機數生成器，共享內存實現(以加快數據的訪問)等功能。

　　ctypes/cffi/cython 的互用性：

　　cffi – 在 nopython 模式下支持調用 CFFI 函數。

　　ctypes – 在 nopython 模式下支持調用 ctypes 包裝函數。

　　Cython 導出的函數是 可調用的。