1.7。用@jitclass 编译 python 类

原文： 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() 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：

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 examples / jitclass.py 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

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。

---

我们一直在努力

apachecn/AiLearning

---