# 7.12。哈希 的注意事項
> 原文: [http://numba.pydata.org/numba-doc/latest/developer/hashing.html](http://numba.pydata.org/numba-doc/latest/developer/hashing.html)
Numba 支持內置 [`hash()`](https://docs.python.org/3/library/functions.html#hash "(in Python v3.7)") ,只需在提供的參數上調用`__hash__()`成員函數即可。這使得為??新類型添加哈希支持變得微不足道,因為所需要的是應用擴展 API `overload_method()`裝飾器來重載函數以計算注冊到類型的`__hash__()`方法的新類型的哈希值。例如:
```py
from numba.extending import overload_method
@overload_method(myType, '__hash__')
def myType_hash_overload(obj):
# implementation details
```
## 7.12.1。實施
Numba 散列函數的實現嚴格遵循 Python 3 的實現。唯一的例外是對于散列 Unicode 和字節(對于長于`sys.hash_info.cutoff`的內容),唯一支持的算法是`siphash24`(CPython 3 中的默認值)。因此,Numba 將在所描述的默認條件下匹配所有支持類型的 Python 3 哈希值。 Python 2 散列支持設置為遵循 Python 3,類似的默認值是為此目的進行硬編碼的,包括,或許最明顯的是,`sys.hash_info.cutoff`設置為零。
### 7.12.1.1。 Unicode 哈希緩存差異
Numba 和 CPython Unicode 字符串內部表示都有一個`hash`成員用于緩存字符串的哈希值。在計算哈希值之前總是檢查該成員,只需從緩存中提供值,因為這樣做要便宜得多。 Numba Unicode 字符串哈希緩存實現的行為方式與 CPython 的相似。唯一值得注意的行為改變(其唯一影響是性能的微小潛在變化)是 Numba 總是計算并緩存在`nopython mode`中創建的 Unicode 字符串的哈希值,這些字符串在盒裝時可以在 Python 中重用,這太過于渴望在某些情況下,與 CPython 相比,它可能會延遲根據創建方法散列新的 Unicode 字符串。還應該注意的是,當 Numba 將它們拆分為自己的表示時,Numba 會在 CPython 內部表示的`hash`成員中復制它們,以便不重新計算已經具有與之關聯的散列值的字符串的散列。
### 7.12.1.2。 `PYTHONHASHSEED` 的住宿
`PYTHONHASHSEED`環境變量可用于為例如 CPython 散列算法設定種子。重現性的目的。 Numba 哈希實現直接讀取 CPython 哈希算法的內部狀態,因此`PYTHONHASHSEED`的影響在 Numba 的哈希實現中被復制。
- 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