from numba import jit
@jit(nopython=True)
def nodets2key(batch: int, node: int, ts: float):
    key = '-'.join([str(batch), str(node), str(ts)])
    return key
在pycharm中报错如下：
 
numba.errors.TypingError: Failed in nopython mode pipeline (step: nopython frontend)
Invalid use of Function(<class 'str'>) with argument(s) of type(s): (int64)
解决办法：
 
根据那个Invalid use of Function后面括号里面的就是报错的来源，因此，我们定位到str函数。
 
也就是说，numba不知道str是一个什么东西，无法进行优化，加速失败。
 
类似地还有，比如下面这个也会报错：
 
@jit(nopython=True)
def foo(a):
    indices = np.where(a>0.5)
    a[indices] = 1. / a[indices]#numba不知道这个高级索引a[indices]怎么用。
    return a
所以我的观点是：
 
1.不要用加速了，并不是什么代码都可以和适合加速的，加速大家应该知道适合于那些循环多以及大量基本数据类型数学计算的地方。如果什么函数都用加速，报错报死你，不信你试一试，这就是一个例子。
 
2.将(nopython=True)去掉，退化为普通加速，就不会报错了。
 
参考：https://stackoverflow.com/questions/61885520/numba-invalid-use-of-function-with-arguments-of-types。
                    使用numba加速的时候报错：from numba import jit@jit(nopython=True)def nodets2key(batch: int, node: int, ts: float):    key = '-'.join([str(batch), str(node), str(ts)])    return key在pycharm中报错如下：numba.errors.TypingError: Failed in nopython mode pipeline (step
				
在python运行时出现numba.core.errors.UnsupportedError: Failed in object mode pipeline (step: analyzing bytecode)错误：
是因为在用@jit（nopython=True）装饰一个函数的时候，这个函数还调用其他两个函数，这时候在调用其他函数的地方会报错。究其原因是因为在调用的函数中使用了print输出语句，导致该错误，将print语句删除了之后就没有出现错误了。
				
一则小记，numba库并不支持NumPy的int类型，需要指定整型的位宽，使用int32和int64都没有问题。测试代码如下
本机系统Ubuntu 18.04, Python 3.6.8, numba 0.46.0, NumPy 1.16.4
import numba
import numpy as np
import sys
@numba.jit(nopython=True)
def test_zeros(H, W):
    # array = np.zeros((H, W, 3), dtype=np
但是当带有nopython=True时，程序会报错，去掉后会有警告，并且加速效果不明显，报错如下：
numba.core.errors.TypingError: Failed in nopython mode pipeline (step: nopython frontend)
No implementation of func
conda伪造
该软件包包含一些执行Quaternion操作的numba-jit编译函数以及一个方便的类Quaternion ，该类Quaternion提供了包装这些函数的便捷方法。
 Quaternion行为就像含有四元一numpy的阵列，例如尊重numpy的广播操作，但没有真正模仿numpy.ndarray并实施了dtype 。
通过这种设计，您可以编写涉及提供的jit编译函数的任何jit编译函数，然后编写自己的类方法，以方便的方式调用这些函数（通过类继承）。
如果您不希望在编写的其他Jit编译函数中使用四元数，请查看以下软件包。
我知道并使用过的其他实现四元数的Python项目是：
  ：使用Numpy以纯Python编写。请注意，它们通常将真实
				
包含5个文件适用于64位windows系统中python安装numba加速
1 pyphon 3.7 已经安装，且pycharm也已经安装
2 安装vs2015/2017/2019均可，然后运行VC
3 将上述whl文件运用批评分别安装，顺序依次为numpy、llvm、numba、import
4 至此在pycharm中file-setting-project-interpreter中可以看到所有已经都安装
5 安装完成，网上找使用方法 
				
Numba示例
该存储库包含使用实施各种算法的示例。 如果要浏览示例和性能结果，请转到。
 在存储库中有一个基准测试运行程序（称为numba_bench ），它numba_bench基准测试的目录树，执行基准测试，将结果保存为JSON格式，然后生成带有漂亮打印源代码和性能图表HTML页面。
 我们正在积极寻找新的Numba示例！ 继续阅读以了解如何运行基准测试以及如何创建新基准测试。
假设已将此存储库检出到当前目录，则应执行以下操作来设置环境以运行基准测试：
 conda create -n numba_bench --file conda-requirements.txt
source activate numba_bench
python setup.py install
运行基准测试的最常见方法是这样的：
 numba_bench -o results
conda i
				
Numba is a just-in-time compiler for Python that works best on code that uses NumPy arrays and functions, and loops.
Numba是Python的即时编译器，在使用NumPy数组和函数以及循环的代码上效果最佳。就是让你代码运行速度更快
注意点: numba在进行第一次编译时需要一定时间,后续操作 对入参同一种类型时,直接读取缓存的编译运行,会非常快! 所以在测试性能时 注意测试方...
					
numba.core.errors.typingerror: failed in nopython mode pipeline (step: nopython frontend)
				（已解决）Solving environment: failed with initial frozen solve. Retrying with flexible solve.
					88383
                （已解决）Solving environment: failed with initial frozen solve. Retrying with flexible solve.
                    平仔只会签到题: 
                    必须赞，我删掉 -c conda-forge 就好了
                如何看懂一个深度学习的项目代码
                    终于看到了个明白人
                torch.bmm()函数的使用
                    这位同学一点就会，值得表扬。
                使用sklearn进行最简单的t-SNE实战
                    谁知故人不识君: 
                    我已经会了tsne的操作，谢谢作者了