我刚刚开始学习Python，对于“记忆化”的概念和使用方法一无所知。能否给出一个简单的示例呢？
什么是记忆化，我如何在Python中使用它？
498
- blur959
7
283当相关维基百科文章的第二个句子包含“在一般自顶向下的解析算法中相互递归地进行下降解析[1]，并在多项式时间和空间内处理模糊性和左递归[2][3]”这一短语时，我认为向SO询问正在发生什么是完全合适的。 - Clueless
14@Clueless：该短语前面有“记忆化也被用于其他情境（并非仅为了提高速度），例如”。因此，这只是一些例子的列表（无需理解）；它不是关于记忆化解释的一部分。 - ShreevatsaR
2由于pycogsci.info已经关闭，这里提供一个新的PDF文件链接：http://people.ucsc.edu/~abrsvn/NLTK_parsing_demos.pdf - Stefan Gruenwald
1看到有多少人回答并仍在回答这个问题，让我相信了“自行车棚效应”https://en.wikipedia.org/wiki/Law_of_triviality。 - A_P
@A_P 实际上，在你写这篇文章的时候，除了一个答案是最近的（2016年），其他13个答案都是5年前的（2014年）。不确定这是否算作“仍在回答”。我刚刚发布的答案增加了速度考虑因素，而其他答案中我没有看到这些因素，并且并未实现新的方法或任何东西。当然有你所描述的现象的例子，但我不确定这是否就是它。 - Luc
显示剩余2条评论
14个回答
3
这个解决方案可同时处理位置参数和关键字参数，而不考虑传递关键字参数的顺序（使用inspect.getargspec）：
import inspect
import functools
def memoize(fn):
cache = fn.cache = {}
@functools.wraps(fn)
def memoizer(*args, **kwargs):
kwargs.update(dict(zip(inspect.getargspec(fn).args, args)))
key = tuple(kwargs.get(k, None) for k in inspect.getargspec(fn).args)
if key not in cache:
cache[key] = fn(**kwargs)
return cache[key]
return memoizer
- ndpu
3
只是想要补充一下已经提供的答案，Python装饰器库有一些简单但有用的实现，也可以记忆“不可哈希类型”，不像
functools.lru_cache。- Sid
1
2这个装饰器不进行“不可哈希类型”的记忆化！它只是回退到调用没有记忆化的函数，违背了显式优于隐式的原则。 - ostrokach
2
cache = {}
def fib(n):
if n <= 1:
return n
else:
if n not in cache:
cache[n] = fib(n-1) + fib(n-2)
return cache[n]
- Vikrant Singh
1
如果速度是一个考虑因素：
@functools.cache和@functools.lru_cache(maxsize=None)一样快， 在我的系统上循环一百万次需要0.122秒（15次运行中最佳结果）- 全局缓存变量要慢得多，在我的系统上循环一百万次需要0.180秒（15次运行中最佳结果）
self.cache类变量仍然比较慢，在我的系统上循环一百万次需要0.214秒（15次运行中最佳结果）
后两者的实现方式与当前得票最高的答案中所描述的类似。
这是没有内存耗尽预防措施的情况下，即我没有在class或global方法中添加代码来限制缓存的大小，这真的是最基本的实现。如果您需要，lru_cache方法可以免费提供此功能。
对我来说一个未解决的问题是如何对具有functools装饰器的内容进行单元测试。是否有可能以某种方式清空缓存？使用类方法（可以为每个测试实例化一个新类）或次要地使用全局变量方法（因为您可以执行yourimportedmodule.cachevariable = {}来清空它）似乎是最干净的单元测试。
- Luc
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接