Python 如何预热Numba'；什么是准时制？

我一直在与Numba抗争，因为每当我为它编写函数时，它都会有一个很长的预热时间，这是我第一次使用它。我想问的是，有没有办法预热JIT功能

例如，如果我将此函数

y=1/（log（x+0.1））^2作为Numba函数编写：

@jit(parallel=True,error_model='numpy')
def f_numba(x_vec): 
    N=len(x_vec)
    res=np.empty(N)
    for i in prange(N):
        x=x_vec[i]
        x=np.log(x+0.1)
        res[i]=1/(x*x)
    return res

N=150000
x_vect=np.random.rand(N)

我使用这个数组来测试函数的速度：

@jit(parallel=True,error_model='numpy')
def f_numba(x_vec): 
    N=len(x_vec)
    res=np.empty(N)
    for i in prange(N):
        x=x_vec[i]
        x=np.log(x+0.1)
        res[i]=1/(x*x)
    return res

N=150000
x_vect=np.random.rand(N)

为了测量函数的执行时间，我使用了：

for i in range(5):
    start=timer()
    f_numba(x_vect)
    print('#',timer()-start)

第一次运行需要0.8秒，所有后续运行需要0.001秒。如果我能以某种方式预热JIT函数以避免这种延迟，那就太好了。我使用
x\u warm=np.random.rand（10）
尝试第一次运行一个小尺寸的虚拟数组，然后运行
f\u numba（x\u warm）
，但预热时间一点也没有改变。有什么建议吗

对于完成论，以下是称为：

import numpy as np
from timeit import default_timer as timer
from numba import jit, prange

我正在使用Python3.7的Jupyter笔记本。
jit
代表“及时”——它旨在在运行时编译。Python是一种解释语言，不是（通常）编译的，所以在大多数情况下预编译并不是一件真正的事情。这是可能的（这就是为什么
numpy
速度如此之快，因为它大部分是在后端预编译的c代码），但这通常不是一项简单的任务。您可以尝试
cache=True
来缓存编译结果。初始化缓存算法也可能需要一些时间，但如果您有多个函数，它肯定会产生显著的效果。@DanielF但是，如果预编译了numpy，为什么JIT比numpy更快用于大型数组？因为
numpy
还内置了许多防护栏，以确保包是“pythonic”的且灵活的，还有一些前端
python
code
numba
速度极快，但更缺乏宽容和活力。对于非常大的数组和矢量化的
numpy
code（这并不总是可能的），
jit
的速度并不是很快。它是在几个版本之前实现的，也许您使用的是非常旧的numba版本？numba的另一个替代方案是numexpr。