主要观点：当基于 NumPy 的代码过慢时，可使用 Numba 加速，它使用 Python 语法且在运行时编译，易与现有 NumPy 代码配合，但 Numba 的 NumPy 支持可能是陷阱，会错过优化机会。文中通过将彩色图像转换为灰度图的例子展示了错误和正确使用 Numba 的方式。
关键信息：

• Numba 可通过添加@numba.jit装饰器将 Python 代码编译为机器代码，对 NumPy API 重新实现以兼容方式运行。
• 错误使用 Numba 时，虽能使代码稍快，但效果不明显，且内存使用量较大，因仍使用临时浮点数组。
• 正确使用 Numba 时，可使用for循环逐像素操作，代码速度提升 5 倍且更节省内存，因为 Numba 没有 NumPy 和普通 Python 的限制。
• 软件架构是性能约束因素，NumPy 的全数组范式对代码实现有硬限制，切换到快速for循环的编译语言可提供更多算法结构选项，减少内存使用并加速代码。
  重要细节：
• 示例中彩色图像形状为(525, 700, 3)，数据类型为 uint8，内存使用 1102500 字节。
• 错误方式的代码tg_numba与原始tg_numpy转换结果相同，但速度仅提升一点，内存使用约 6MB。
• 正确方式的tg_numba_for_loop代码使用for循环逐像素操作，速度提升 5 倍至 536 微秒，内存使用仅 376733 字节。
• 对于速度提升原因，并非 CPU 指令数量差异所致，具体原因可参考相关书籍。