# 1.7。用@jitclass 編譯 python 類
> 原文: [http://numba.pydata.org/numba-doc/latest/user/jitclass.html](http://numba.pydata.org/numba-doc/latest/user/jitclass.html)
注意
這是 jitclass 支持的早期版本。并非所有編譯功能都已公開或實現。
Numba 通過 [`numba.jitclass()`](#numba.jitclass "numba.jitclass") 裝飾器支持類的代碼生成。可以使用此裝飾器標記類以進行優化,同時指定每個字段的類型。我們將生成的類對象稱為 jitclass。 jitclass 的所有方法都被編譯成 nopython 函數。 jitclass 實例的數據在堆上作為 C 兼容結構分配,以便任何已編譯的函數可以繞過解釋器直接訪問底層數據。
## 1.7.1。基本用法
這是一個 jitclass 的例子:
```py
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
```
(參見源代碼樹中 <cite>examples / jitclass.py</cite> 的完整示例)
在上面的例子中,`spec`被提供為 2 元組的列表。元組包含字段的名稱和字段的 numba 類型。或者,用戶可以使用字典(`OrderedDict`優選地用于穩定字段排序),其將字段名稱映射到類型。
該類的定義至少需要一個`__init__`方法來初始化每個定義的字段。未初始化的字段包含垃圾數據。可以定義方法和屬性(僅限 getter 和 setter)。它們將自動編譯。
## 1.7.2。支持操作
jitclasses 的以下操作在解釋器和 numba 編譯函數中都有效:
* 調用 jitclass 類對象來構造一個新實例(例如`mybag = Bag(123)`);
* 對屬性和屬性的讀/寫訪問(例如`mybag.value`);
* 調用方法(例如`mybag.increment(3)`);
在 numba 編譯函數中使用 jitclasses 更有效。可以內聯簡短方法(由 LLVM inliner 決定)。屬性訪問只是從 C 結構中讀取。使用來自 intpreter 的 jitclasses 具有從解釋器調用任何 numba 編譯函數的相同開銷。參數和返回值必須在 python 對象和本機表示之間取消裝箱或裝箱。當 jitclass 實例傳遞給解釋器時,由 jitclass 封裝的值不會被裝入 python 對象。在對字段值的屬性訪問期間,它們被裝箱。
## 1.7.3。限制
* jitclass 類對象被視為 numba 編譯函數內的函數(構造函數)。
* `isinstance()`僅適用于口譯員。
* 尚未優化在解釋器中操作 jitclass 實例。
* 僅在 CPU 上提供對 jitclasses 的支持。 (注意:計劃在將來的版本中支持 GPU 設備。)
## 1.7.4。裝飾者:`@jitclass`
```py
numba.jitclass(spec)
```
用于創建 jitclass 的裝飾器。
**參數**:
* ```py
spec:
```
指定此類中每個字段的類型。必須是字典或序列。使用字典,使用 collections.OrderedDict 進行穩定排序。對于序列,它必須包含 2 元組(fieldname,fieldtype)。
**返回**:
一個可調用的,它接受一個將被編譯的類對象。
- 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