Numba模块的用法(高性能计算)
文章目录
- 介绍
- 核心装饰器与基础用法
- @jit(nopython=True)：最常用的编译装饰器
- @njit的简写
- 编译时指定类型签名
- 并行加速（parallel=True）
- @cuda.jit: GPU 编程（CUDA）
- 向量化函数（@vectorize）
- 性能优化技巧
- 调试与常见问题
- 调试模式
- 常见错误
- 适用场景与局限性
- 实例:加速蒙特卡洛模拟
介绍
Numba 是一个专为 Python 设计的即时编译器（JIT），能够将部分 Python 代码转换为高效的机器码，显著提升数值计算密集型代码的执行速度。
核心装饰器与基础用法
@jit(nopython=True)：最常用的编译装饰器
- nopython=True（推荐）：完全不使用 Python 解释器，性能最优。若无法编译会报错。
- nopython=False（默认）：退回到 Python 解释器执行，可能导致性能下降。
from numba import jit@jit(nopython=True) # nopython=True：强制编译为纯机器码（不依赖Python解释器）
def sum_squares(n):s = 0for i in range(n):s += i**2return s# 编译后的函数执行速度接近C语言
result = sum_squares(1000)
@njit的简写
@njit是@jit(nopython=True)的简写。
from numba import njit@njit
def sum_squares(n):# 与@jit(nopython=True)完全等价pass
编译时指定类型签名
@jit('float64(int64)', nopython=True) # 指定输入输出类型，进一步优化
def sum_squares(n):s = 0.0 # 确