Question

我正在观看Raymond Hettinger的精彩视频之一，我对装饰者的例子感到有点困惑：

def cache(func):
    saved={}
    @wraps(func)
    def newfunc(*args):
        if args in saved:
            return newfunc(*args) # should be return saved[args]?
        result = func(*args)
        saved[args]=result
        return result
    return newfunc

我不是特别关于装饰器的专家，但是在找到该项被缓存后没有返回对newfunc（* args）的调用会导致一个永远不会完成的递归循环吗？我认为这是假设返回已保存的[args]（函数最终返回的结果，这是同样的事情，但我认为如果在缓存中找到一个项目它就不会到达那里。）

Answer 1

是的，这是一个错误。

如果您不确定，让我们测试一下：

def fib(n):
    if n < 2:
        return 1
    return fib(n-2) + fib(n-1)

print(fib(10))

@cache
def cfib(n):
    if n < 2:
        return 1
    return cfib(n-2) + cfib(n-1)

print(cfib(10))

第一个打印出89，第二个打印出来：

  File "rhcache.py", line 8, in newfunc
    return newfunc(*args) # should be return saved[args]?
  File "rhcache.py", line 8, in newfunc
    return newfunc(*args) # should be return saved[args]?
  # ... 997 more copies
RuntimeError: maximum recursion depth exceeded

但如果我们按照您的建议更改它，它会再次打印89。（并且，如果你计时，它运行速度比非缓存版本快;如果你对它进行分析，它只会对真实函数进行10次调用;等等。）

完全如您所愿。

那么，我们学到了什么？甚至Raymond Hettinger也不会在未经测试的代码中偶尔出现错误，但他的代码足够干净，即使不运行它也很容易找到并解决问题。：）

您可以向他发送电子邮件，在YouTube页面上添加评论，或在PyVideo页面上报告问题。

Answer 2

你也可以使用@functools.lru_cache(maxsize=128, typed=False)¶ 这看起来像是：

from functools import lru_cache

@lru_cache(maxsize=None)
def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

缓存装饰器Python

2 个答案: