标签：maxsize out getting 完全 cto http 哈希 target 斐波那契
函数返回值缓存是优化一个函数的常用手段。我们可以将函数、输入参数、返回值全部保存起来，当下次以同样的参数调用这个函数时，直接使用存储的结果作为返回(不需要重新计算)。
我们来实现一个斐波那契计算器，并使用lru_cache。
from functools import lru_cache @lru_cache(maxsize=32) def fib(n): if n < 2: return n return fib(n-1) + fib(n-2) >>> print([fib(n) for n in range(10)]) # Output: [0, 1, 1, 2, 3, 5, 8, 13, 21, 34] # 我们也可以轻松地对返回值清空缓存，通过这样： fib.cache_clear() 那个maxsize参数是告诉lru_cache，最多缓存最近多少个返回值。
maxsize的值，就用LRU（最少最近使用算法）清除最近很少使用过的缓存结果而cachetools模块提供了更多缓存失效策略：
你可以创建任意种类的缓存机制，有若干种方式来达到相同的效果，这完全取决于你的需要。
这里是一个一般的缓存：
from functools import wraps def memorize(function): memo = {} @wraps(function) def wrapper(*args): if args in memo: return memo[args] else: rv = function(*args) memo[args] = rv return rv return wrapper @memorize def fibonacci(n): if n < 2: return n return fibonacci(n - 1) + fibonacci(n - 2) fibonacci(25)
函数的缓存是通过闭包实例来实现的，对于每一个被加上cache装饰器的函数，运行时都会被创建一个不同的闭包实例。
参数的缓存是通过闭包实例中引入的哈希表(dict)的key来保存的。
返回值的缓存是通过字典形式保存，键为函数参数，值为函数返回值，。
标签：maxsize out getting 完全 cto http 哈希 target 斐波那契
原文地址：https://www.cnblogs.com/-wenli/p/11441142.html
