【Python】一文向您详细解析内置装饰器 @lru_cache
 
下滑即可查看博客内容

🌈 欢迎莅临我的个人主页 👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！🎇

🎓 博主简介：985高校的普通本硕，曾有幸发表过人工智能领域的 中科院顶刊一作论文，熟练掌握PyTorch框架。

🔧 技术专长： 在CV、NLP及多模态等领域有丰富的项目实战经验。已累计提供近千次定制化产品服务，助力用户少走弯路、提高效率，近一年好评率100% 。

📝 博客风采： 积极分享关于深度学习、PyTorch、Python相关的实用内容。已发表原创文章600余篇，代码分享次数逾七万次。

💡 服务项目：包括但不限于科研辅导、知识付费咨询以及为用户需求提供定制化解决方案。

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

下滑即可查看博客内容

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

  

💡一、初识@lru_cache

  在Python中，当我们需要频繁地调用一个计算成本较高的函数，并且这些调用经常以相同的参数进行时，使用缓存策略可以显著提高性能。Python的functools模块提供了一个名为lru_cache的装饰器，它实现了最近最少使用（Least Recently Used, LRU）缓存策略。

首先，让我们来看看如何使用lru_cache装饰器：

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

# 调用函数
print(fibonacci(10))  # 第一次计算并缓存结果
print(fibonacci(10))  # 直接从缓存中获取结果，不再计算

上面的代码中，fibonacci函数使用了lru_cache装饰器，这意味着该函数的结果会被缓存起来。当以相同的参数再次调用该函数时，它将直接从缓存中返回结果，而不是重新计算。

🎯二、深入理解@lru_cache

2.1 缓存大小与淘汰策略

lru_cache装饰器接受一个可选参数maxsize，它指定了缓存中可以存储的最大项数。当缓存达到其最大大小时，最久未使用的项将被淘汰以腾出空间。如果maxsize设置为None，则缓存大小没有限制（但请注意，这可能会导致内存占用无限增长）。

2.2 类型敏感的缓存

默认情况下，lru_cache装饰器将不同的参数视为不同的缓存键，即使这些参数的值相等但类型不同。如果你希望类型也作为缓存键的一部分，可以将typed参数设置为True。

@lru_cache(maxsize=128, typed=True)
def power(base, exponent):
    return base ** exponent

print(power(2, 3))     # 缓存结果
print(power(2.0, 3))  # 由于typed=True，这将被视为一个新的缓存键

2.3 缓存的透明性

使用lru_cache装饰器后，你可以像往常一样调用函数，而不需要知道缓存的存在。缓存是透明的，它会在需要时自动工作。

🚀三、使用场景与示例

lru_cache装饰器在许多场景中都非常有用。例如，在Web开发中，你可能需要频繁地查询数据库或执行复杂的计算，而这些操作的结果可以在短时间内保持不变。通过使用lru_cache，你可以缓存这些结果，从而显著提高性能。

下面是一个简单的示例，展示了如何在Web应用中使用lru_cache来缓存数据库查询结果：

from functools import lru_cache

@lru_cache(maxsize=1024)
def get_user_data(user_id):
    # 假设这是一个复杂的数据库查询
    # ...
    # 返回查询结果
    return query_database(user_id)

# 在Web请求中调用get_user_data函数
user_data = get_user_data(123)

在这个示例中，get_user_data函数使用lru_cache装饰器进行了缓存。当Web请求需要获取用户数据时，它将首先尝试从缓存中获取结果。如果缓存中不存在所需的数据，它将执行数据库查询并将结果存储在缓存中。这样，对于相同的用户ID，后续的请求将直接从缓存中获取结果，而不需要再次执行数据库查询。

🚀四、总结与展望

lru_cache是Python中一个非常有用的装饰器，它可以帮助我们提高计算密集型函数的性能。通过缓存函数的结果，我们可以避免重复计算相同的操作，并减少不必要的计算开销。在本文中，我们详细解析了lru_cache的工作原理、使用场景与示例。希望这些信息能够帮助你更好地理解和使用lru_cache装饰器，并在实际项目中发挥它的最大作用。

随着Python生态系统的不断发展壮大，相信未来会有更多优秀的缓存库和工具出现，为我们提供更强大、更灵活的缓存解决方案。让我们期待未来Python在缓存技术方面的更多创新和进步！