Python 如何编译numba jit'；具有可变输入类型的ed函数？

假设我有一个函数，可以接受

int

或

None

类型作为输入参数

import numba as nb
import numpy as np

jitkw = {"nopython": True, "nogil": True, "error_model": "numpy", "fastmath": True}


@nb.jit("f8(i8)", **jitkw)
def get_random(seed=None):
    np.random.seed(None)
    out = np.random.normal()
    return out

我希望函数只返回一个正态分布的随机数。如果我想要可复制的结果，seed应该是

int

get_random(42)
>>> 0.4967141530112327
get_random(42)
>>> 0.4967141530112327
get_random(42)
>>> 0.4967141530112327

如果我想要随机数，

seed

应该保留为

None

。但是，如果我不传递参数（因此seed默认为

None

）或显式传递

seed=None

，则numba会引发

TypeError

get_random()
>>> TypeError: No matching definition for argument type(s) omitted(default=None)
get_random(None)
>>> TypeError: No matching definition for argument type(s) omitted(default=None)

在这种情况下，我如何编写函数，仍然声明签名并使用

nopython

模式

---

我的numba版本是0.43.1

第一个问题是nopython模式下的numba只接受（从0.43.1版开始）

因此，很遗憾，您无法传入

None

---

第二个问题是（据我所知）没有一个“单一”签名告诉numba如何处理缺少的值，但是您可以使用两个签名（是的，非常详细）：

只是简单解释一下signaure的两个部分：

• nb.types.float64（nb.types.misc.impled（None））

  告诉numba如果省略了参数，则使用

  None

  作为默认类型

• nb.types.float64（nb.types.int64）

  是需要整数的签名

---

就我个人而言，我不会指定签名，而只是让numba算出。在numba中，显式签名很少值得使用，而且更常见的情况是，它们会导致代码速度变慢、灵活性变差。

使用numba，如果您包含了您的numba版本，它对将来的参考和回答者总是有帮助的。这是因为支持的功能在不同版本之间可能会有很大的差异。我在定义numpy数组签名时经历了巨大的加速：例如nb.float64[：]或nb.int64[：，：]等，但对于正则变量来说没有太多。@MottTheTuple这很有趣，因为通常情况下，除了第一次调用之外，numba中的类型不会得到加速，因为如果不定义类型，函数将使用给定的参数编译，而使用给定的类型，函数将在定义时编译。签名的目的本质上是“对编译器选择的类型进行细粒度控制”（来自）。如果你有一个例子，其中的函数速度是真的非常不同，我会非常感兴趣的一个例子（例如一个要点）。我看到这是在我的线性回归函数。我发送一些极值，然后计算斜率、截距和残差，所有这些都使用较小的numpy函数：sum、mean、max等。我删除残差最低的行。这都是在while语句中完成的，直到我达到最小行#.1000循环-python时间：0005，使用nb.jit（nopython=True）：.0019，nb.jit（nb.types.float64[：，：]（nb.types.float64[，：]，nb.int32），nopython=True）时间：1.5624e-05。这是我脑子里想不到的，也许不是“大规模的”，但我很幸运地在funcs中添加了sigs，在funcs中，nopython模式本身性能很差。@mott在计时过程中，您是否排除了第一个调用（包括编译成本）？我对numba的内部结构略知一二，很少有类型化函数更快的情况，大多数情况下它们会稍微慢一点（如果数组是连续的，则也会键入）。不过，如果您能创建一个gist（GitHub）或其他我可以查看的东西，我将不胜感激。我返回到我的计时，发现我没有排除第一次呼叫。我测试了两个Nopyton函数，两个都以相同的速度运行。所以你的前提可能是正确的，在大多数情况下签名是不必要的。。我可能在我以前使用过的函数中有特殊的输入类型，这可能会导致加速，如果我发现我将向您发送一个要点链接的话。谢谢你们的友好讨论。

import numba as nb
import numpy as np

jitkw = {"nopython": True, "nogil": True, "error_model": "numpy", "fastmath": True}

@nb.jit(
    [nb.types.float64(nb.types.misc.Omitted(None)), 
     nb.types.float64(nb.types.int64)], 
    **jitkw)
def get_random(seed=None):
    return np.random.normal()