# 1.5。使用`@generated_jit` 進行靈活的專業化
> 原文: [http://numba.pydata.org/numba-doc/latest/user/generated-jit.html](http://numba.pydata.org/numba-doc/latest/user/generated-jit.html)
雖然 [`jit()`](../reference/jit-compilation.html#numba.jit "numba.jit") 裝飾器在許多情況下都很有用,但有時您希望根據其輸入類型編寫具有不同實現的函數。 [`generated_jit()`](../reference/jit-compilation.html#numba.generated_jit "numba.generated_jit") 裝飾器允許用戶在編譯時控制特化的選擇,同時保持 JIT 函數的運行時執行速度。
## 1.5.1。示例
假設您要編寫一個函數,該函數根據某些約定返回給定值是否為“缺失”值。為了示例,我們采用以下定義:
* 對于浮點參數,缺失值是`NaN`
* 對于 Numpy datetime64 和 timedelta64 參數,缺失值為`NaT`
* 其他類型沒有缺失值的概念。
使用 [`generated_jit()`](../reference/jit-compilation.html#numba.generated_jit "numba.generated_jit") 裝飾器可以輕松實現編譯時邏輯:
```py
import numpy as np
from numba import generated_jit, types
@generated_jit(nopython=True)
def is_missing(x):
"""
Return True if the value is missing, False otherwise.
"""
if isinstance(x, types.Float):
return lambda x: np.isnan(x)
elif isinstance(x, (types.NPDatetime, types.NPTimedelta)):
# The corresponding Not-a-Time value
missing = x('NaT')
return lambda x: x == missing
else:
return lambda x: False
```
這里有幾點需要注意:
* 使用參數的 [Numba 類型](../reference/types.html#numba-types)調用修飾函數,而不是它們的值。
* 修飾函數實際上并不計算結果,它返回一個 callable,實現給定類型的函數的實際定義。
* 可以在編譯時預先計算一些數據(上面的`missing`變量),以便在編譯的實現中重用它們。
* 函數定義使用與裝飾函數相同的參數名稱,這是確保按名稱傳遞參數按預期工作所必需的。
## 1.5.2。編譯選項
[`generated_jit()`](../reference/jit-compilation.html#numba.generated_jit "numba.generated_jit") 裝飾器支持與 [`jit()`](../reference/jit-compilation.html#numba.jit "numba.jit") 裝飾器相同的僅關鍵字參數,例如`nopython`和`cache`選項。
- 1. 用戶手冊
- 1.1。 Numba 的約 5 分鐘指南
- 1.2。概述
- 1.3。安裝
- 1.4。使用@jit 編譯 Python 代碼
- 1.5。使用@generated_jit 進行靈活的專業化
- 1.6。創建 Numpy 通用函數
- 1.7。用@jitclass 編譯 python 類
- 1.8。使用@cfunc 創建 C 回調
- 1.9。提前編譯代碼
- 1.10。使用@jit 自動并行化
- 1.11。使用@stencil裝飾器
- 1.12。從 JIT 代碼 中回調到 Python 解釋器
- 1.13。性能提示
- 1.14。線程層
- 1.15。故障排除和提示
- 1.16。常見問題
- 1.17。示例
- 1.18。會談和教程
- 2. 參考手冊
- 2.1。類型和簽名
- 2.2。即時編譯
- 2.3。提前編譯
- 2.4。公用事業
- 2.5。環境變量
- 2.6。支持的 Python 功能
- 2.7。支持的 NumPy 功能
- 2.8。與 Python 語義的偏差
- 2.9。浮點陷阱
- 2.10。 Python 2.7 壽命終止計劃
- 3. 用于 CUDA GPU 的 Numba
- 3.1。概述
- 3.2。編寫 CUDA 內核
- 3.3。內存管理
- 3.4。編寫設備功能
- 3.5。 CUDA Python 中支持的 Python 功能
- 3.6。支持的原子操作
- 3.7。隨機數生成
- 3.8。設備管理
- 3.10。示例
- 3.11。使用 CUDA 模擬器 調試 CUDA Python
- 3.12。 GPU 減少
- 3.13。 CUDA Ufuncs 和廣義 Ufuncs
- 3.14。共享 CUDA 內存
- 3.15。 CUDA 陣列接口
- 3.16。 CUDA 常見問題
- 4. CUDA Python 參考
- 4.1。 CUDA 主機 API
- 4.2。 CUDA 內核 API
- 4.3。內存管理
- 5. 用于 AMD ROC GPU 的 Numba
- 5.1。概述
- 5.2。編寫 HSA 內核
- 5.3。內存管理
- 5.4。編寫設備功能
- 5.5。支持的原子操作
- 5.6。代理商
- 5.7。 ROC Ufuncs 和廣義 Ufuncs
- 5.8。示例
- 6. 擴展 Numba
- 6.1。高級擴展 API
- 6.2。低級擴展 API
- 6.3。示例:間隔類型
- 7. 開發者手冊
- 7.1。貢獻給 Numba
- 7.2。 Numba 建筑
- 7.3。多態調度
- 7.4。關于發電機的注意事項
- 7.5。關于 Numba Runtime 的注意事項
- 7.6。使用 Numba Rewrite Pass 獲得樂趣和優化
- 7.7。實時變量分析
- 7.8。上市
- 7.9。模板注釋
- 7.10。關于自定義管道的注意事項
- 7.11。環境對象
- 7.12。哈希 的注意事項
- 7.13。 Numba 項目路線圖
- 8. Numba 增強建議
- 9. 術語表