其余部分还是使用Python原生代码，在计算加速的前提下，避免过长的编译时间。Numba的@jit装饰器就像自动驾驶，用户不需要关注到底是如何优化的，Numba去尝试进行优化，如果发现不支持，那么Numba会继续用Python原来的方法去执行该函数，即图 Python解释器工作原理中左侧部分。无论你是在做金融量化分析，还是计算机视觉，如果你在使用Python进行高性能计算，处理矩阵和张量，或包含其他计算密集型运算，Numba提供的加速效果可以比肩原生的C/C++程序，只需要在函数上添加一行@jit的装饰。

第三方库是工程开发必不可少的部分，而第三方库可以是.a和.framework的静态库，也可以是.framework的动态库，其中静态库是最常用的方式。静态库往往比较大，可在打包到可执行文件之后，对安装包大小的增加远远小于静态库本身的Size。那么，就产生两个问题：本文就以.framework的静态库来分析具体情况。