Numba技术疑问：被调用函数是否自动生效？numpy函数为何更慢？

1. Numba是否会自动将@jit装饰器应用于被其他已装饰函数调用的函数？ #

不会的，Numba可不会自动把装饰器“扩散”到被调用的函数上。只有直接被@jit（或@njit）装饰的函数才会被Numba编译成高效的机器码。如果你的已装饰函数调用了一个没加装饰器的普通Python函数，那这个被调用的函数还是会按Python解释器的方式运行，完全享受不到Numba的加速。

要是想让被调用的函数也获得Numba的优化，你有两个选择：

• 给这个被调用的函数也加上@jit装饰器；
• 如果用的是@njit（纯机器码模式，不回退到Python解释器），那被调用的函数要么是Numba原生支持的内置/NumPy函数，要么必须也是被Numba编译过的函数，不然会报错。

2. 为啥直接调用np.exp(-1j*mat)比调用自定义cexp函数慢？ #

这个问题的核心在于Numba的内联优化和运算链的处理方式，咱们结合你的代码来看：

你的代码片段：

from numba import jit
import numpy as np

@jit
def dostuff(mat):
    ''' Do stuff with the matrix '''
    return np.exp(-1j*mat)

@jit
def dostuff_fast(mat):
    ''' Do stuff with the matrix '''
    return cexp(-1j*mat)

@jit
def cexp(mat):
    return np.exp(mat)

关键原因： #

1. 函数内联优化：因为cexp也被@jit装饰了，当dostuff_fast调用它的时候，Numba会自动把cexp的代码内联到dostuff_fast中——相当于把np.exp(mat)直接写到dostuff_fast里，省去了一次函数调用的开销，同时能让编译器对整个运算做更深度的优化。
2. 运算链的优化差异：在dostuff里，你直接写np.exp(-1j*mat)，Numba需要先计算-1j*mat生成一个临时复数矩阵，再把这个临时矩阵传给np.exp。而内联后的dostuff_fast版本，编译器可以把“复数乘法+指数运算”的整个流程合并优化，避免了临时数组的创建和拷贝，这会节省不少时间，尤其是处理大型矩阵的时候。
3. Numba对NumPy复数函数的处理细节：虽然Numba支持大部分NumPy函数，但直接在参数里做复合运算（比如-1j*mat作为np.exp的参数）时，Numba的优化器可能没法像处理拆分后的运算那样彻底。而通过自定义函数拆分后，Numba能更高效地编译每一步操作。

简单来说，自定义cexp让Numba有机会把整个运算流程揉在一起优化，而直接写复合调用的话，优化空间被限制了，自然速度就慢了。

内容的提问来源于stack exchange，提问作者Forrest Thumb