在Python中只需一行即可加快函数调用速度

如果我们非常频繁地在程序中调用昂贵的函数，最好保存函数调用的结果以供将来使用，而不是每次都调用函数。这通常会加快程序的执行速度。

函数的开销可以是计算性的(CPU使用率)或延迟(磁盘读取、从网络获取资源)。

函数调用的保存结果通常称为缓存。进行缓存的天真方法是存储每个函数调用。但是，对于函数的参数数量和每个参数的范围来说，这不是很好的伸缩性。

因此，我们需要一种使用固定内存量进行缓存的智能方法。而且，根据我们可以获得的信息类型，有很多可用的缓存策略。

从低级(硬件/CPU)到高级(网络/CDN)，缓存在很多领域都得到了大量使用。

在大多数语言中，我们将选择自己选择的缓存策略，并使用一些数据结构(哈希图、优先级队列)来实现它们。根据语言的不同，可能只需要几分钟到几个小时就可以实现我们需要的通用解决方案。

但是，Python的标准库函数工具已经附带了一种称为LRU(最近最少使用)的缓存策略。多亏了python中的装饰者，只需一行代码就可以集成到现有的代码库中。

导入时间为TT def fib(N)：如果n<；=1，则返回n个返回fib(n-1)+fib(n-2)t1=TT。time()fib(30)打印(f"；花费的时间：{tt.。time()-t1}"；)#输出：#耗时：0.3209421634674072

将时间导入为TT import functools#保存所有函数调用@functools。lru_cache(maxSize=31)def fib(N)：如果n<；=1：返回n个返回fib(n-1)+fib(n-2)t1=TT。time()fib(30)打印(f"；花费的时间：{tt.。time()-t1}"；)打印(图。cache_info())#输出：#花费的时间：1.7881393432617188e-05#CacheInfo(命中=28，未命中=31，最大大小=31，当前大小=31)。

在本例中，我们保存了所有函数调用。但是，我们知道斐波纳契可以使用DP来实现。

导入时间为tt定义fib_iterative(N)：如果n<；=1：对于范围(n-1)内的i，返回n f，s=0，1：t=f+s f，s=s，t返回t t1=tt。time()fib_iterative(30)打印(f"；所用时间：{tt.。time()-t1}"；)#输出：#耗时：5.0067901611328125e-06。

导入时间为TT import functools def lru_size(Max_Lru)：@functools。lru_cache(maxSize=max_lru，type=false)def fib_lru(N)：if n<；=1：返回n，返回fib_lru(n-1)+fib_lru(n-2)为[1，2，5，10，31]：t1=TT中的i返回fib_lru。time()fib=lru_size(I)fib(10)打印(f"；lru大小：{i}耗时：{tt.。time()-t1}"；)打印(图。CACHE_INFO())#输出：#LRU大小：1所用时间：0.6930997371673584#缓存信息(命中=0，未命中=2692537，最大大小=1，当前大小=1)#LRU大小：2所用时间：0.012731075286865234#缓存信息(命中=8656，未命中=41641，最大大小=2，当前大小=2)#LRU大小：5所用时间：5.817413330078125E-05#缓存信息(命中=28。

由此可见，fib函数的最佳缓存大小为5，增加缓存大小不会带来很大的加速比。

在计算机科学中，确定性算法是一种算法，在给定特定输入的情况下，它将始终产生相同的输出，底层机器始终通过相同的状态序列。确定性算法是迄今为止研究最多、最熟悉的一种算法，也是最实用的算法之一，因为它们可以在真实的机器上高效地运行。