1.介绍
Numba 是 python 的即时(Just-in-time)编译器，即当你调用 python 函数时，你的全部或部分代码就会被转换为“即时”执行的机器码，它将以你的本地机器码速度运行!它由 Anaconda 公司赞助，并得到了许多其他组织的支持。
在 Numba 的帮助下，你可以加速所有计算负载比较大的 python 函数(例如循环)。它还支持 numpy 库!所以，你也可以在你的计算中使用 numpy，并加快整体计算，因为 python 中的循环非常慢。你还可以使用 python 标准库中的 math 库的许多函数，如 sqrt 等。有关所有兼容函数的完整列表，请查看 此处。
2.为什么选择 Numba?
那么，当有像 cython 和 Pypy 之类的许多其他编译器时，为什么要选择 numba?
原因很简单，这样你就不必离开写 python 代码的舒适区。是的，就是这样，你根本不需要为了获得一些的加速来改变你的代码，这与你从类似的具有类型定义的 cython 代码获得的加速相当。那不是很好吗?
你只需要添加一个熟悉的 python 功能，即添加一个包装器(一个装饰器)到你的函数上。类的装饰器也在开发中了。
所以，你只需要添加一个装饰器就可以了。例如：
这仍然看起来像一个原生 python 代码，不是吗?
3.如何使用 Numba?
Numba 使用 LLVM 编译器基础结构 将原生 python 代码转换成优化的机器码。使用 numba 运行代码的速度可与 C/C++ 或 Fortran 中的类似代码相媲美。
以下是代码的编译方式：
首先，Python 函数被传入，优化并转换为 numba 的中间表达，然后在类型推断(type inference)之后，就像 numpy 的类型推断(所以 python float 是一个 float64)，它被转换为 LLVM 可解释代码。然后将此代码提供给 LLVM 的即时编译器以生成机器码。
你可以根据需要在运行时或导入时 生成 机器码，导入需要在 CPU(默认)或 GPU 上进行。
4.使用 numba 的基本功能
(只需要加上 @jit !)
为了获得最佳性能，numba 实际上建议在你的 jit 装饰器中加上 nopython=True 参数，加上后就不会使用 Python 解释器了。或者你也可以使用 @njit。如果你加上 nopython=True的装饰器失败并报错，你可以用简单的 @jit 装饰器来编译你的部分代码，对于它能够编译的代码，将它们转换为函数，并编译成机器码。然后将其余部分代码提供给 python 解释器。
所以，你只需要这样做：
当使用 @jit 时，请确保你的代码有 numba 可以编译的内容，比如包含库(numpy)和它支持的函数的计算密集型循环。否则它将不会编译任何东西，并且你的代码将比没有使用 numba 时更慢，因为存在 numba 内部代码检查的额外开销。
还有更好的一点是，numba 会对首次作为机器码使用后的函数进行缓存。因此，在第一次使用之后它将更快，因为它不需要再次编译这些代码，如果你使用的是和之前相同的参数类型。
如果你的代码是 可并行化 的，你也可以传递 parallel=True 作为参数，但它必须与 nopython=True 一起使用，目前这只适用于CPU。
你还可以指定希望函数具有的函数签名，但是这样就不会对你提供的任何其他类型的参数进行编译。例如：
现在你的函数只能接收两个 int32 类型的参数并返回一个 int32 类型的值。通过这种方式，你可以更好地控制你的函数。如果需要，你甚至可以传递多个函数签名。
你还可以使用 numba 提供的其他装饰器：
@vectorize：允许将标量参数作为 numpy 的 ufuncs 使用，
@guvectorize：生成 NumPy 广义上的 ufuncs，
@stencil：定义一个函数使其成为 stencil 类型操作的核函数
@jitclass：用于 jit 类，
@cfunc：声明一个函数用于本地回调(被C/C++等调用)，
@overload：注册你自己的函数实现，以便在 nopython 模式下使用，例如：@overload(scipy.special.j0)。
Numba 还有 Ahead of time(AOT)编译，它生成不依赖于 Numba 的已编译扩展模块。但：
它只允许常规函数(ufuncs 就不行)，
你必须指定函数签名。并且你只能指定一种签名，如果需要指定多个签名，需要使用不同的名字。
它还根据你的CPU架构系列生成通用代码。
5.@vectorize 装饰器
通过使用 @vectorize 装饰器，你可以对仅能对标量操作的函数进行转换，例如，如果你使用的是仅适用于标量的 python 的 math 库，则转换后就可以用于数组。这提供了类似于 numpy 数组运算(ufuncs)的速度。例如：
你还可以将 target 参数传递给此装饰器，该装饰器使 target 参数为 parallel 时用于并行化代码，为 cuda 时用于在 cudaGPU 上运行代码。
使 target=“parallel” 或 “cuda” 进行矢量化通常比 numpy 实现的代码运行得更快，只要你的代码具有足够的计算密度或者数组足够大。如果不是，那么由于创建线程以及将元素分配到不同线程需要额外的开销，因此可能耗时更长。所以运算量应该足够大，才能获得明显的加速。
这个视频讲述了一个用 Numba 加速用于计算流体动力学的Navier Stokes方程的例子：
6.在GPU上运行函数
你也可以像装饰器一样传递 @jit 来运行 cuda/GPU 上的函数。为此你必须从 numba 库中导入 cuda。但是要在 GPU 上运行代码并不像之前那么容易。为了在 GPU 上的数百甚至数千个线程上运行函数，需要先做一些初始计算。实际上，你必须声明并管理网格，块和线程的层次结构。这并不那么难。
要在GPU上执行函数，你必须定义一个叫做 核函数 或 设备函数 的函数。首先让我们来看 核函数。
关于核函数要记住一些要点：
核函数在被调用时要显式声明其线程层次结构，即块的数量和每块的线程数量。你可以编译一次核函数，然后用不同的块和网格大小多次调用它。
核函数没有返回值。因此，要么必须对原始数组进行更改，要么传递另一个数组来存储结果。为了计算标量，你必须传递单元素数组。
因此，要启动核函数，你必须传入两个参数：
每块的线程数，
块的数量。
例如：
每个线程中的核函数必须知道它在哪个线程中，以便了解它负责数组的哪些元素。Numba 只需调用一次即可轻松获得这些元素的位置。
为了节省将 numpy 数组复制到指定设备，然后又将结果存储到 numpy 数组中所浪费的时间，Numba 提供了一些 函数 来声明并将数组送到指定设备，如：numba.cuda.device_array，numba.cuda。device_array_like，numba.cuda.to_device 等函数来节省不必要的复制到 cpu 的时间(除非必要)。
另一方面，设备函数 只能从设备内部(通过核函数或其他设备函数)调用。比较好的一点是，你可以从 设备函数 中返
你还应该在这里查看 Numba 的 cuda 库支持的功能。
Numba 在其 cuda 库中也有自己的原子操作，随机数生成器，共享内存实现(以加快数据的访问)等功能。
ctypes/cffi/cython 的互用性：
cffi – 在 nopython 模式下支持调用 CFFI 函数。
ctypes – 在 nopython 模式下支持调用 ctypes 包装函数。
Cython 导出的函数是 可调用的。
京公网安备 11010802030320号