9. 术语表
ahead-of-time compilation
AOT compilation
AOT
在运行程序代码之前在单独的步骤中编译函数，生成可以独立分发的磁盘上二进制对象。这是 C，C ++或 Fortran 等语言中已知的传统编译方式。
bytecode
Python bytecode
执行 Python 函数的原始形式。 Python 字节码描述了使用来自函数堆栈和执行环境（例如全局变量）的操作数执行抽象（无类型）操作的堆栈机器。
compile-time constant
一个表达式，其值 Numba 可以在编译时推断和冻结。全局变量和闭包变量是编译时常量。
just-in-time compilation
JIT compilation
JIT
在执行时编译函数，而不是提前编译。
JIT function
“使用 @jit 装饰器与 Numba 一起编写 JIT 编译的简写。”
loop-lifting
loop-jitting
对象模式中的编译功能，可以在 nopython 模式中自动提取和编译循环。这允许在 nopython 模式下不受支持的操作的函数，如果它们包含仅具有 nopython 支持的操作的循环，则可以看到显着的性能改进。
lowering
将 Numba IR 翻译成 LLVM IR 的行为。术语“降低”源于 LLVM IR 是低级别和机器特定的事实，而 Numba IR 是高级和抽象的。
nopython mode
Numba 编译模式，生成不访问 Python C API 的代码。此编译模式生成最高性能代码，但要求函数中所有值的本机类型可以推断。除非另有说明，否则如果不能使用 nopython 模式，@jit装饰器将自动回退到对象模式。
Numba IR
Numba intermediate representation
一段 Python 代码的表示，比原始的 Python 字节码更适合分析和转换。
object mode
Numba 编译模式，生成代码，将所有值作为 Python 对象处理，并使用 Python C API 对这些对象执行所有操作。在对象模式下编译的代码通常不会比 Python 解释代码运行得快，除非 Numba 编译器可以利用循环访问。
type inference
Numba 确定正在编译的函数中所有值的特殊类型的过程。如果参数或全局变量具有 Numba 未知的 Python 类型，或者使用 Numba 无法识别的函数，则类型推断可能会失败。成功的类型推断是在 nopython 模式中编译的先决条件。
typing
在值或操作上运行类型推断的行为。
ufunc
NumPy 通用函数。 Numba 可以使用 @vectorize 装饰器创建新编译的 ufunc。
reflection
在 numba 中，当一个可变容器作为参数从 Python 解释器传递给 nopython 函数时，容器对象及其包含的所有元素都将转换为 nopython 值。为了匹配 Python 的语义，nopython 函数中容器上的任何变异必须在 Python 解释器中可见。为此，Numba 必须更新容器及其元素，并在转换回解释器期间将它们转换回 Python 对象。
不要在二元运算符的上下文中混淆 Python 的“反射”（参见 https://docs.python.org/3.5/reference/datamodel.html ）。
