Python内存化手动缓存
我正在构建一个带记忆的Python Fibonacci函数的手动缓存版本,我注意到在递归调用中没有将缓存作为参数传递 但是,该功能仍然可以工作,因为它比非记忆版本快得多 当我将缓存作为函数参数添加时,算法速度更快,但不是很明显 有人能帮我理解为什么第一个版本可以工作,第二个版本是否更正确Python内存化手动缓存,python,memoization,Python,Memoization,我正在构建一个带记忆的Python Fibonacci函数的手动缓存版本,我注意到在递归调用中没有将缓存作为参数传递 但是,该功能仍然可以工作,因为它比非记忆版本快得多 当我将缓存作为函数参数添加时,算法速度更快,但不是很明显 有人能帮我理解为什么第一个版本可以工作,第二个版本是否更正确 import time def fib_cache(n, cache={}): if n in cache: return cache[n] if n == 0 or n =
import time
def fib_cache(n, cache={}):
if n in cache:
return cache[n]
if n == 0 or n == 1:
return n
result = fib_cache(n - 1) + fib_cache(n - 2)
cache[n] = result
return result
def fib_cache2(n, cache={}):
if n in cache:
return cache[n]
if n == 0 or n == 1:
return n
result = fib_cache2(n - 1, cache) + fib_cache2(n - 2, cache)
cache[n] = result
return result
start = time.perf_counter()
fib_cache(30)
end = time.perf_counter()
print("Version 1. Seconds taken: {:.5f}".format(end - start))
start = time.perf_counter()
fib_cache2(30)
end = time.perf_counter()
print("Version 2. Seconds taken: {:.5f}".format(end - start))
这是因为Python中的
def
只执行一次,默认变量只初始化一次。对于引用类型,这可能导致错误/意外行为。解决办法之一是:
def fib_cache3(n, cache=None):
if cache is None:
cache = {}
if n in cache:
return cache[n]
if n == 0 or n == 1:
return n
result = fib_cache3(n - 1, cache) + fib_cache3(n - 2, cache)
cache[n] = result
return result
此版本的优点是它不依赖于引用类型的默认初始化,并且在函数执行后允许垃圾收集。这是否回答了您的问题?这很有帮助。如果能解释一下这三个版本是如何表现出不同的行为,那就更有帮助了。