2.5。環境變量 · Numba 0.44 中文文檔

# 2.5。環境變量 > 原文： [http://numba.pydata.org/numba-doc/latest/reference/envvars.html](http://numba.pydata.org/numba-doc/latest/reference/envvars.html) Numba 允許通過使用環境變量來改變其行為。除非另有說明，否則這些變量具有整數值且默認為零。為方便起見，Numba 還支持使用配置文件來保留配置設置。注意：要使用此功能，必須安裝`pyyaml`。配置文件必須命名為`.numba_config.yaml`并存在于調用 Python 解釋器的目錄中。在搜索環境變量之前，將讀取配置文件（如果存在）以進行配置設置。這意味著環境變量設置將覆蓋從配置文件獲取的設置（配置文件用于設置永久首選項，而環境變量用于短暫首選項）。配置文件的格式是`YAML`格式的字典，它將下面的環境變量（沒有`NUMBA_`前綴）映射到所需的值。例如，要永久打開開發人員模式（`NUMBA_DEVELOPER_MODE`環境變量）并控制流程圖打印（`NUMBA_DUMP_CFG`環境變量），請創建一個包含以下內容的配置文件： ```py developer_mode: 1 dump_cfg: 1 ``` 在想要使用基于終端背景顏色的設定顏色方案的情況下，這尤其有用。例如，如果終端背景顏色為黑色，則`dark_bg`顏色方案將非常適合，并且可以通過添加以下內容設置為永久使用： ```py color_scheme: dark_bg ``` ## 2.5.1。錯誤和警告顯示 ```py NUMBA_WARNINGS ``` 如果設置為非零，則啟用 Numba 警告的打印輸出，否則將禁止警告。警告可以深入了解編譯過程。 ## 2.5.2。調試這些變量會影響 [JIT 函數](../glossary.html#term-jit-function)編譯過程中打印的內容。 ```py NUMBA_DEVELOPER_MODE ``` 如果設置為非零，則開發人員模式會生成完整的回溯并禁用幫助說明。默認值為零。 ```py NUMBA_FULL_TRACEBACKS ``` 如果設置為非零，則在發生異常時啟用完全回溯。默認為 <cite>NUMBA_DEVELOPER_MODE</cite> 設置的值。 ```py NUMBA_SHOW_HELP ``` 如果未設置或設置為零，則顯示用戶級幫助信息。默認為 <cite>NUMBA_DEVELOPER_MODE</cite> 設置的值的否定。 ```py NUMBA_DISABLE_ERROR_MESSAGE_HIGHLIGHTING ``` 如果設置為非零錯誤消息突出顯示被禁用。這對于在 CI 系統上運行測試套件非常有用。 ```py NUMBA_COLOR_SCHEME ``` 更改錯誤報告中使用的顏色方案（需要安裝`colorama`包才能工作）。有效值為： * `no_color`沒有添加顏色，只是粗體字體加權。 * `dark_bg`適用于背景較暗的終端。 * `light_bg`適用于背景較淺的終端。 * `blue_bg`適用于藍色背景的終端。 * `jupyter_nb`適用于 Jupyter 筆記本電腦。 _ 默認值：_ `no_color`。值的類型是`string`。 ```py NUMBA_DEBUG ``` 如果設置為非零，則在函數編譯期間打印出所有可能的調試信息。使用下面的其他變量可以獲得更細粒度的控制。 ```py NUMBA_DEBUG_FRONTEND ``` 如果設置為非零，則在編譯器前端的操作期間打印出調試信息，直到并包括 Numba 中間表示的生成。 ```py NUMBA_DEBUGINFO ``` 如果設置為非零，則通過設置`jit`中`debug`選項的默認值，為整個應用程序啟用調試。請注意，啟用調試信息會顯著增加每個已編譯函數的內存消耗。默認值等于 <cite>NUMBA_ENABLE_PROFILING</cite> 的值。 ```py NUMBA_GDB_BINARY ``` 設置`gdb`二進制文件以用于 Numba 的`gdb`支持，它采用路徑和二進制文件的全名，例如：`/path/from/root/to/binary/name_of_gdb_binary`這是為了允許使用來自非 COD3 的`gdb`具有非默認名稱的默認位置。如果未設置，則假定`gdb`位于`/usr/bin/gdb`。 ```py NUMBA_DEBUG_TYPEINFER ``` 如果設置為非零，則打印出有關類型推斷的調試信息。 ```py NUMBA_DEBUG_CACHE ``` 如果設置為非零，則打印出有關 [JIT 編譯緩存](../user/jit.html#jit-cache)操作的信息。 ```py NUMBA_ENABLE_PROFILING ``` 啟用 LLVM 的 JIT 事件以支持 jitted 函數的分析。某些分析器下會自動啟用此選項。 ```py NUMBA_TRACE ``` 如果設置為非零，則跟蹤某些函數調用（函數入口和出口事件，包括參數和返回值）。 ```py NUMBA_DUMP_BYTECODE ``` 如果設置為非零，則打印出已編譯函數的 Python [字節碼](../glossary.html#term-bytecode)。 ```py NUMBA_DUMP_CFG ``` 如果設置為非零，則打印出有關已編譯函數的控制流圖的信息。 ```py NUMBA_DUMP_IR ``` 如果設置為非零，則打印出已編譯函數的 Numba Intermediate Representation。 ```py NUMBA_DUMP_ANNOTATION ``` 如果設置為非零，則打印出已編譯函數的類型注釋。 ```py NUMBA_DUMP_LLVM ``` 轉儲未經優化的 LLVM 匯編程序編譯函數源。未經優化的代碼通常非常冗長;因此，建議改用 [`NUMBA_DUMP_OPTIMIZED`](#envvar-NUMBA_DUMP_OPTIMIZED) 。 ```py NUMBA_DUMP_FUNC_OPT ``` 在 LLVM“函數優化”通過之后但在“模塊優化”通過之前轉儲 LLVM 匯編程序源。這在開發 Numba 本身時很有用，否則使用 [`NUMBA_DUMP_OPTIMIZED`](#envvar-NUMBA_DUMP_OPTIMIZED) 。 ```py NUMBA_DUMP_OPTIMIZED ``` 在所有優化過程之后轉儲已編譯函數的 LLVM 匯編器源。輸出包括 raw 函數以及與 CPython 兼容的包裝器（其名稱以`wrapper.`開頭）。請注意，該函數通常也會在包裝器內部內聯。 ```py NUMBA_DEBUG_ARRAY_OPT ``` 轉儲與`parallel=True` jit 裝飾器選項相關的處理相關的調試信息。 ```py NUMBA_DEBUG_ARRAY_OPT_RUNTIME ``` 轉儲與`parallel=True` jit 裝飾器選項關聯的運行時調度程序相關的調試信息。 ```py NUMBA_DEBUG_ARRAY_OPT_STATS ``` 轉儲有關將多少個運算符/調用轉換為并行 for 循環以及多少融合在一起的統計信息，這些都與`parallel=True` jit 裝飾器選項相關聯。 ```py NUMBA_PARALLEL_DIAGNOSTICS ``` 如果設置為 1 到 4（包括 1 和 4）之間的整數值，Numba 進行的并行變換的診斷信息將寫入 STDOUT。值越高，產生的信息越詳細。 ```py NUMBA_DUMP_ASSEMBLY ``` 轉儲已編譯函數的本機匯編代碼。也可以看看 [故障排除和提示](../user/troubleshoot.html#numba-troubleshooting)和 [Numba 架構](../developer/architecture.html#architecture)。 ## 2.5.3。編譯選項 ```py NUMBA_OPT ``` 優化水平;此選項直接傳遞給 LLVM。 _ 默認值：_ 3 ```py NUMBA_LOOP_VECTORIZE ``` 如果設置為非零，則啟用 LLVM 循環向量化。 _ 默認值：_ 1（32 位 Windows 除外） ```py NUMBA_ENABLE_AVX ``` 如果設置為非零，則在 LLVM 中啟用 AVX 優化。默認情況下，Sandy Bridge 和 Ivy Bridge 架構禁用此功能，因為它有時會導致這些平臺上的代碼速度變慢。 ```py NUMBA_DISABLE_INTEL_SVML ``` 如果設置為非零且 Intel SVML 可用，則將禁用 SVML。 ```py NUMBA_COMPATIBILITY_MODE ``` 如果設置為非零，則 JIT 函數的編譯永遠不會完全失敗，而是生成一個簡單地解釋函數的回退。只有在從舊的 Numba 版本（0.12 之前）遷移大型代碼庫時才能使用它，并希望避免一次性破壞所有內容。否則，請不要使用它。 ```py NUMBA_DISABLE_JIT ``` 完全禁用 JIT 編譯。 [`jit()`](jit-compilation.html#numba.jit "numba.jit") 裝飾器就像它不執行任何操作一樣，并且裝飾函數的調用調用原始 Python 函數而不是編譯版本。如果要在代碼上運行 Python 調試器，這可能很有用。 ```py NUMBA_CPU_NAME and NUMBA_CPU_FEATURES ``` 覆蓋 CPU 和 CPU 功能檢測。通過設置`NUMBA_CPU_NAME=generic`，將為 CPU 體系結構選擇通用 CPU 模型，并且功能列表（`NUMBA_CPU_FEATURES`）默認為空。必須以`+feature1,-feature2`格式列出 CPU 功能，其中`+`表示啟用，`-`表示禁用。例如，`+sse,+sse2,-avx,-avx2`啟用 SSE 和 SSE2，并禁用 AVX 和 AVX2。這些設置將傳遞給 LLVM 以配置編譯目標。要獲取可用選項列表，請使用 LLVM 中的`llc`命令行工具，例如： ```py llc -march=x86 -mattr=help ``` 小費要強制所有緩存函數（`@jit(cache=True)`）發出可移植代碼（在同一架構和操作系統中可移植），只需設置`NUMBA_CPU_NAME=generic`即可。 ```py NUMBA_FUNCTION_CACHE_SIZE ``` 覆蓋函數高速緩存的大小，以便在內存中保留最近反序列化的函數。在像 [Dask](http://dask.pydata.org) 這樣的系統中，通常會對函數進行多次反序列化。只要解釋器??中有某個引用，Numba 就會緩存函數。此高速緩存大小變量控制將保留不再引用的函數的數量，以防它們將來出現。這種實現并不是真正的 LRU，但是對于大多數情況來說，大尺寸的緩存應該足夠了。 _ 默認值：_ 128 ## 2.5.4。 GPU 支持 ```py NUMBA_DISABLE_CUDA ``` 如果設置為非零，則禁用 CUDA 支持。 ```py NUMBA_FORCE_CUDA_CC ``` 如果設置，則強制 CUDA 計算功能為給定版本（類型為`major.minor`的字符串），而不考慮連接的設備。 ```py NUMBA_ENABLE_CUDASIM ``` 如果設置，請不要編譯和執行 GPU 的代碼，而是使用 CUDA Simulator。用于調試目的。 ## 2.5.5。線程控制 ```py NUMBA_NUM_THREADS ``` 如果設置，則并行 CPU 目標的線程池中的線程數將采用此值。必須大于零。該值與`OMP_NUM_THREADS`和`MKL_NUM_THREADS`無關。 _ 默認值：_ 運行時確定的系統 CPU 核心數，可通過`numba.config.NUMBA_DEFAULT_NUM_THREADS`訪問。 ```py NUMBA_THREADING_LAYER ``` 此環境變量控制用于 CPU 并行目標（`@vectorize(target='parallel')`，`@guvectorize(target='parallel')`和`@njit(parallel=True)`）的并發執行的庫。變量類型是字符串，默認情況下是`default`，它將根據運行時中可用的內容選擇線程層。有效值為（有關這些的更多信息，請參見[線程層文檔](../user/threading-layer.html#numba-threading-layer)）： * `default` - 根據當前運行時可用的內容選擇線程層。 * `safe` - 選擇一個既安全又安全的線程層（需要 TBB 包）。 * `forksafe` - 選擇叉安全的線程層。 * `threadsafe` - 選擇線程安全的線程層。 * `tbb` - 由英特爾 TBB 支持的線程層。 * `omp` - 由 OpenMP 支持的線程層。 * `workqueue` - 一個簡單的內置工作共享任務調度程序。