“numba nopython模式”；未定义变量'$313.3'&引用；

这是我从图像构造最小树的代码（

f

是scipy提供的图像）

这是我正在编写的一个接缝雕刻程序的基础。

此代码段在普通python中正常工作。当我使用

@numba.jit

而不使用

nopython=True

时，它也可以工作（性能提高了约200%），但这是在对象模式下

当我尝试使用

nopython=True

模式时，它不会编译，我得到错误：

Failed at nopython (nopython frontend)
Undefined variable '$313.3'

我不明白为什么它不能编译，因为我看不到任何可能未定义的内容

from numba import jit
from scipy import misc
import numba

f = misc.face()
@jit(nopython=True)
def explorethisx(inar, x):
    places = []
    places.append((x,0))
    x1,y1 = x,0
    s = numba.int64(0)
    co = 0
    #for _ in range( 799):

    while co != numba.int16(799):
        co += 1
        a1,a2,a3 = 999,999,999
        a1 = inar[y1 + 1][x1-1][1]
        a2 = inar[y1 + 1][x1][1]
        a3 = inar[y1 + 1][x1 + 1][1]
        m = a1
        ch = -1
        if m > a2:
            m = a2
            ch = 0
        if m > a3:
            m = a3
            ch = 1
        x1 = x1 + ch
        y1 = y1 + 1
        s += inar[y1][x1][1]
        places.append((x1,y1))
    return([s, places])
explorethisx(f,3)
explorethisx.inspect_types()

---

Numba是一个非常酷的项目，即使是在python对象模式下，性能的提高也给我留下了深刻的印象。

异常消息具有误导性。只是它只支持同构列表，所以当您尝试返回

[s，places]

时，您将返回一个包含一个“整数”和一个“整数元组列表”的列表，这两个列表不再是同构的

请注意，这个最小的示例已经演示了该异常：

from numba import jit

@jit(nopython=True)
def test():
    places = []
    places.append((1, 2))
    places.append((2, 3))
    return [10, places]

>>> test()
...
TypingError: Failed at nopython (nopython frontend)
Undefined variable '$0.12'

您只需返回一个元组：

return (s, places)

而不是旧的

return([s, places])

---

即使这样编译-调用函数时函数包含越界内存访问（我有一个segfault），因此您肯定也需要检查内存访问。

这太疯狂了，为什么它会给出

$

的错误？我一直在尝试调试

f

以查找字符串。换句话说，我不怀疑您已查明问题所在，但错误消息对我来说确实有误导性。我正在努力学习麻木，这无疑让我省去了一个巨大的头痛。这样一种报告混合类型的奇怪方式。漏洞百出的抽象。可能这是numba代码中的一个占位符。我不知道他们为什么选择那个异常消息，但这并不是真正的误导——我宁愿说这根本没有帮助。尽管如此，上周我还是遇到了一个例外，所以我记得是什么导致了它，以及如何修复它。（请注意，他们已经提交了一份错误报告以改进错误消息：）。对于我来说，异常是误导性的，因为我在查找字符串，我忽略了嵌套列表。作为一般提示，使用

x[I，j，k]

而不是

x[I][j][k]

访问数组元素要快得多。例如，使用

inar[y1+1，x1-1,1]

和类似的方法。这使我的代码基准测试速度提高了近1.6倍。这适用于Ndarray上的所有numpy/numba操作。@JoshAdel我可以问一下您是如何运行基准测试的吗？我知道的唯一方法是使用cProfile。我倾向于使用

%timeit

魔术在Jupyter笔记本中进行配置。特别是在分析代码时，您需要抛出jitted函数的第一次执行，因为这将包括编译时间，您只需支付一次。