调用Numba JIT函数后内存占用15MB，此理解是否正确？

你的理解不完全准确，这15MB内存并非函数调用本身的持续占用，而是Numba首次编译JIT函数时产生的一次性编译开销。

具体说明： #

• 第一次调用被@jit装饰的函数时，Numba会执行完整的编译流程：将Python代码转换为LLVM中间表示、优化生成机器码，这个过程中会创建大量编译相关的临时对象、缓存数据，这些都会占用内存。
• 你启用了cache=True，编译结果会被持久化到磁盘缓存，但首次编译的内存开销依然存在；后续再次调用foo()时，内存增长会微乎其微，因为直接加载缓存的编译结果，无需重新编译。
• tracemalloc统计的是从追踪开始到当前的累计内存分配量，这里的15MB是编译阶段的一次性开销，而foo()函数本身没有任何实际逻辑，运行时几乎不占用内存。

验证示例： #

如果在代码中多次调用foo()，你会发现只有第一次调用会产生明显的内存增长：

import tracemalloc
from numba import jit

@jit(nopython=True, cache=True)
def foo():
    return

tracemalloc.start()
print(f"malloc before calling jitted function {tracemalloc.get_traced_memory()}")
foo()
print(f"malloc after first call {tracemalloc.get_traced_memory()}")
foo()
print(f"malloc after second call {tracemalloc.get_traced_memory()}")
tracemalloc.stop()

你的原始代码及结果： #

原始代码：

import tracemalloc
from numba import jit

@jit(nopython=True, cache=True)
def foo():
    return

tracemalloc.start()
print(f"malloc before calling jitted function {tracemalloc.get_traced_memory()}")
foo()
print(f"malloc after calling jitted function {tracemalloc.get_traced_memory()}")
tracemalloc.stop()

运行结果：

malloc before calling jitted function (0, 0)
malloc after calling jitted function (15085947, 15227418)

内容的提问来源于stack exchange，提问作者Harry van Langen