如何将 functools.lru_cache 应用于具有可变参数的功能？答案

【问题标题】：How to apply functools.lru_cache to function with mutable parameters?如何将 functools.lru_cache 应用于具有可变参数的功能？
【发布时间】：2015-09-23 00:03:56
【问题描述】：

我有一个函数，其中一个参数为 numpy.ndarray。它是可变的，所以它不能被 lru_cache 缓存。

是否有任何现有的解决方案？

【问题讨论】：

标签： python memoization

【解决方案1】：

可能最简单的方法是记住一个只包含不可变对象的版本。

假设您的函数采用np.array，假设它是一个一维数组。幸运的是，它很容易被翻译成tuple：

import numpy as np

a = np.array([1, 2, 3, 4])
>> tuple(a)
(1, 2, 3, 4)

反之亦然：

>> np.array(tuple(a))
array([1, 2, 3, 4])

所以你会得到类似的东西

# Function called by the rest of your program
array_foo(a) # `a` is an `np.array`
    ...
    return tuple_foo(tuple(a))

然后记住这个函数：

# Internal implementation
@functools.lru_cache
tuple_foo(t) # `t` is a tuple
    ...
    a = np.array(t)

【讨论】：

是的，我认为这很简单。
不是每次都进行转换就否定了记忆的整体性能提升吗？
@endolith 这取决于它节省了什么，不是吗？如果操作在输入中是超线性的（例如反转密集矩阵），则缓存可能会更有效，但对于矩阵的条目求和，不。请注意，即使没有转换，散列输入也是线性的。 YMMV。
另一种可能性是使用 array.tobytes() 将输入与缓存进行比较