# 2.3。提前編譯
> 原文: [http://numba.pydata.org/numba-doc/latest/reference/aot-compilation.html](http://numba.pydata.org/numba-doc/latest/reference/aot-compilation.html)
```py
class numba.pycc.CC(extension_name, source_module=None)
```
用于從 Numba 編譯的 Python 函數生成編譯擴展的對象。 _extension_name_ 是要生成的擴展名。 _source_module_ 是包含這些函數的 Python 模塊;如果`None`,則通過檢查調用堆棧來推斷。
[`CC`](#numba.pycc.CC "numba.pycc.CC") 實例具有以下屬性和方法:
```py
name
```
(只讀屬性)要生成的擴展模塊的名稱。
```py
output_dir
```
(讀寫屬性)擴展模塊將寫入的目錄。默認情況下,它是 _source_module_ 所在的目錄。
```py
output_file
```
(讀寫屬性)擴展模塊將寫入的文件的名稱。默認情況下,這遵循當前平臺的 Python 命名約定。
```py
target_cpu
```
(讀寫屬性)為其生成代碼的 CPU 模型的名稱。這將選擇適當的指令集擴展。默認情況下,選擇通用 CPU 以生成可移植代碼。
此屬性的已識別名稱取決于當前體系結構和 LLVM 版本。如果安裝了 LLVM,`llc -mcpu=help`將為您提供一個列表。 x86-64 的例子是`"ivybridge"`,`"haswell"`,`"skylake"`或`"broadwell"`。您還可以給出值`"host"`,它將選擇當前的主機 CPU。
```py
verbose
```
(讀寫屬性)如果為 true,則在編譯擴展時打印輸出信息。默認為 False。
```py
@export(exported_name, sig)
```
使用簽名 _sig_ 標記要編譯的修飾函數。編譯的函數將在生成的擴展模塊中作為 _exported_name_ 公開。
給定 [`CC`](#numba.pycc.CC "numba.pycc.CC") 實例中的所有導出名稱必須是不同的,否則會引發異常。
```py
compile()
```
編譯所有導出的函數并生成 [`output_dir`](#numba.pycc.CC.output_dir "numba.pycc.CC.output_dir") 和 [`output_file`](#numba.pycc.CC.output_file "numba.pycc.CC.output_file") 指定的擴展模塊。
```py
distutils_extension(**kwargs)
```
返回 [`distutils.core.Extension`](https://docs.python.org/3/distutils/apiref.html#distutils.core.Extension "(in Python v3.7)") 實例,允許在傳統的`setup.py`驅動的構建過程中集成擴展模塊的生成。可選的 _kwargs_ 允許您將可選參數傳遞給 [`Extension`](https://docs.python.org/3/distutils/apiref.html#distutils.core.Extension "(in Python v3.7)") 構造函數。
在這種操作模式下,沒有必要自己調用 [`compile()`](#numba.pycc.CC.compile "numba.pycc.CC.compile") 。此外, [`output_dir`](#numba.pycc.CC.output_dir "numba.pycc.CC.output_dir") 和 [`output_file`](#numba.pycc.CC.output_file "numba.pycc.CC.output_file") 將被忽略。
- 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