将 memoization 装饰器理解为闭包
Understanding a memoization decorator as a closure
我正在尝试了解 Python 装饰器,我想更详细地了解闭包的确切应用方式,例如在这个记忆上下文中:
def memoize(f):
memo = {}
def helper(x):
if x not in memo:
memo[x] = f(x)
return memo[x]
return helper
@memoize
def fib(n):
if n in (0,1):
return n
return fib(n - 1) + fib(n - 2)
我了解 memoize
returns 函数绑定到 helper
封闭范围内的 memo
值,即使程序流不再处于那个封闭的范围。因此,如果 memoize
被重复调用,它将 return 一系列不同的函数,具体取决于 memo
的当前值。我也明白 @memoize
是语法糖,它导致对 fib(n)
的调用被对 memoize(fib(n))
.
的调用所取代
我纠结的地方是fib(n)
中n
的调用值如何有效地转换为helper(x)
中的x
。大多数关于闭包的教程似乎都没有明确说明这一点,或者他们相当含糊地说一个函数“关闭”另一个函数,这听起来很神奇。我可以看到如何使用语法,但希望更好地了解这里发生的事情以及代码执行时传递的对象和数据。
您误解了 @memoize
装饰器的作用。每次调用 fib
时都不会调用装饰器。装饰器在每个被装饰的函数中被调用一次。
原始fib
函数被helper()
函数替换,原始函数对象可用作f
闭包,一起使用 memo
闭包:
>>> def fib(n):
... if n in (0,1):
... return n
... return fib(n - 1) + fib(n - 2)
...
>>> fib
<function fib at 0x1023398c0>
>>> memoize(fib)
<function helper at 0x102339758>
这给出了替换 helper
函数 一个 闭包,每次调用 helper()
函数时都使用相同的 memo
字典查找 x
.
当前值的已生成结果
您可以在解释器中看到这一切工作:
>>> @memoize
... def fib(n):
... if n in (0,1):
... return n
... return fib(n - 1) + fib(n - 2)
...
>>> fib
<function helper at 0x10232ae60>
注意那里的函数名称!那是 helper
。它有一个闭包:
>>> fib.__closure__
(<cell at 0x10232d9f0: function object at 0x10232ade8>, <cell at 0x10232da98: dict object at 0x102353050>)
一个函数对象和一个字典,分别是f
和memo
。使用 .cell_contents
:
访问单元格内容
>>> fib.__closure__[0].cell_contents
<function fib at 0x10232ade8>
>>> fib.__closure__[1].cell_contents
{}
这就是原始的修饰函数和空字典。让我们使用这个函数:
>>> fib(0)
0
>>> fib(1)
1
>>> fib.__closure__[1].cell_contents
{0: 0, 1: 1}
这就是将 x
设置为 0
和 1
的结果值存储在 memo
字典中。下次我用任一值调用 fib
时,将使用备忘录。计算并添加了新的 x
个值:
>>> fib(2)
1
>>> fib.__closure__[1].cell_contents
{0: 0, 1: 1, 2: 1}
您可以通过计算较大的数字需要多长时间来了解它的效果:
>>> start = time.clock(); fib(500); print(format(time.clock() - start, '.10f'))
139423224561697880139724382870407283950070256587697307264108962948325571622863290691557658876222521294125L
0.0008390000
>>> start = time.clock(); fib(500); print(format(time.clock() - start, '.10f'))
139423224561697880139724382870407283950070256587697307264108962948325571622863290691557658876222521294125L
0.0000220000
>>> start = time.clock(); fib(500); print(format(time.clock() - start, '.10f'))
139423224561697880139724382870407283950070256587697307264108962948325571622863290691557658876222521294125L
0.0000190000
第一次调用后,查找memo的速度是所有中间结果都memoized的40倍:
>>> len(fib.__closure__[1].cell_contents)
501
我正在尝试了解 Python 装饰器,我想更详细地了解闭包的确切应用方式,例如在这个记忆上下文中:
def memoize(f):
memo = {}
def helper(x):
if x not in memo:
memo[x] = f(x)
return memo[x]
return helper
@memoize
def fib(n):
if n in (0,1):
return n
return fib(n - 1) + fib(n - 2)
我了解 memoize
returns 函数绑定到 helper
封闭范围内的 memo
值,即使程序流不再处于那个封闭的范围。因此,如果 memoize
被重复调用,它将 return 一系列不同的函数,具体取决于 memo
的当前值。我也明白 @memoize
是语法糖,它导致对 fib(n)
的调用被对 memoize(fib(n))
.
我纠结的地方是fib(n)
中n
的调用值如何有效地转换为helper(x)
中的x
。大多数关于闭包的教程似乎都没有明确说明这一点,或者他们相当含糊地说一个函数“关闭”另一个函数,这听起来很神奇。我可以看到如何使用语法,但希望更好地了解这里发生的事情以及代码执行时传递的对象和数据。
您误解了 @memoize
装饰器的作用。每次调用 fib
时都不会调用装饰器。装饰器在每个被装饰的函数中被调用一次。
原始fib
函数被helper()
函数替换,原始函数对象可用作f
闭包,一起使用 memo
闭包:
>>> def fib(n):
... if n in (0,1):
... return n
... return fib(n - 1) + fib(n - 2)
...
>>> fib
<function fib at 0x1023398c0>
>>> memoize(fib)
<function helper at 0x102339758>
这给出了替换 helper
函数 一个 闭包,每次调用 helper()
函数时都使用相同的 memo
字典查找 x
.
您可以在解释器中看到这一切工作:
>>> @memoize
... def fib(n):
... if n in (0,1):
... return n
... return fib(n - 1) + fib(n - 2)
...
>>> fib
<function helper at 0x10232ae60>
注意那里的函数名称!那是 helper
。它有一个闭包:
>>> fib.__closure__
(<cell at 0x10232d9f0: function object at 0x10232ade8>, <cell at 0x10232da98: dict object at 0x102353050>)
一个函数对象和一个字典,分别是f
和memo
。使用 .cell_contents
:
>>> fib.__closure__[0].cell_contents
<function fib at 0x10232ade8>
>>> fib.__closure__[1].cell_contents
{}
这就是原始的修饰函数和空字典。让我们使用这个函数:
>>> fib(0)
0
>>> fib(1)
1
>>> fib.__closure__[1].cell_contents
{0: 0, 1: 1}
这就是将 x
设置为 0
和 1
的结果值存储在 memo
字典中。下次我用任一值调用 fib
时,将使用备忘录。计算并添加了新的 x
个值:
>>> fib(2)
1
>>> fib.__closure__[1].cell_contents
{0: 0, 1: 1, 2: 1}
您可以通过计算较大的数字需要多长时间来了解它的效果:
>>> start = time.clock(); fib(500); print(format(time.clock() - start, '.10f'))
139423224561697880139724382870407283950070256587697307264108962948325571622863290691557658876222521294125L
0.0008390000
>>> start = time.clock(); fib(500); print(format(time.clock() - start, '.10f'))
139423224561697880139724382870407283950070256587697307264108962948325571622863290691557658876222521294125L
0.0000220000
>>> start = time.clock(); fib(500); print(format(time.clock() - start, '.10f'))
139423224561697880139724382870407283950070256587697307264108962948325571622863290691557658876222521294125L
0.0000190000
第一次调用后,查找memo的速度是所有中间结果都memoized的40倍:
>>> len(fib.__closure__[1].cell_contents)
501