# 1.12。從 JIT 代碼 中回調到 Python 解釋器
> 原文: [http://numba.pydata.org/numba-doc/latest/user/withobjmode.html](http://numba.pydata.org/numba-doc/latest/user/withobjmode.html)
當 nopython-mode 函數需要回調到 Python 解釋器來調用無法由 Numba 編譯的代碼時,有一些罕見但真實的情況。此類案件包括:
* 記錄長期運行 JIT 函數的進度;
* 使用 Numba 當前不支持的數據結構;
* 使用 Python 調試器在 JIT 代碼中調試。
當 Numba 回調到 Python 解釋器時,必須發生以下情況:
* 獲得 GIL;
* 將本機表示中的值轉換回 Python 對象;
* 回調 Python 解釋器;
* 將返回值從 Python 代碼轉換為本機表示;
* 發布 GIL。
這些步驟可能很昂貴。用戶**不應該**依賴于此處描述的性能關鍵路徑上的功能。
## 1.12.1。 `objmode`上下文管理器
警告
此功能很容易被誤用。在使用此功能之前,用戶應首先考慮其他方法以實現其預期目標。
```py
numba.objmode(*args, **kwargs)
```
創建一個上下文管理器,用于在 jitted 函數內部輸入 _ 對象模式 _ 以使用解釋器功能。 with-context 的主體被提升到一個在 _object-mode_ 中編譯的函數。此轉換過程受到限制,無法處理所有可能的 Python 代碼。但是,用戶可以將復雜的邏輯包裝在另一個 Python 函數中,然后由解釋器執行。
將此用作僅接受關鍵字參數的函數。參數名稱必須與 with-block 的輸出變量相對應。它們各自的值是表示預期類型的??字符串。退出 with-context 時,輸出變量將根據注釋強制轉換為預期的 nopython 類型。此過程與將 Python 對象傳遞到 nopython 函數的參數相同。
例:
```py
import numpy as np
from numba import njit, objmode
def bar(x):
# This code is executed by the interpreter.
return np.asarray(list(reversed(x.tolist())))
@njit
def foo():
x = np.arange(5)
y = np.zeros_like(x)
with objmode(y='intp[:]'): # annotate return type
# this region is executed by object-mode.
y += bar(x)
return y
```
注意
已知限制:
* with-block 無法使用傳入的列表對象。
* with-block 無法使用傳入的函數對象。
* with-block 不能`yield`,`break`,`return`或`raise`,執行將立即離開 with-block。
* with-block 不能包含帶有語句的<cite>。</cite>
* 隨機數發生器狀態不同步;即 nopython-mode 和 object-mode 使用不同的 RNG 狀態。
注意
在非 python 模式之外使用時,context-manager 無效。
警告
此功能是實驗性的。支持的功能可能會隨著或不通知而改變。
- 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