leetcode 上有一題爬樓梯的題，一個n階的臺階，每次可爬1階或2階，問有多少中爬法。這道題不難，就是一個斐波那契數列。我用循環寫的，沒啥問題。然后看評論里有人用遞歸寫，說會超時。然后有人用了lru_cache裝飾器來提高性能，順利通過。

lru即least recently used，lru_cache可以記錄函數的調用結果，再次使用時直接使用之前的返回值，而不真的再次調用。
注意，被lru_cache裝飾的函數，其參數必須是可哈希的

from functools import lru_cache import time@lru_cache(maxsize=5) def a(i):print(i)t=time.time() for i in [1,2,3,4,5]*1000:a(i) t=time.time()-t print(t)

以上程序輸出為：

可以看到，a(i)實際只執行了5次。lru_cache 的參數maxsize 代表能緩存幾個函數執行的結果。

lru_cache容易讓人聯想到帶備忘的動態規劃，有了lru_cache，豈不是可以直接寫普通的遞歸函數來達到類似動態規劃的效果了？事實是，有時候還是要注意的！

比如，leetcode 第377題“組合總和IV”:

由于“組合總和”前幾題都是用回溯法，這道題我一開始也用回溯法做的：

class Solution:def __init__(self):self.res = 0self.target = 0self.temp = []def backTrace(self, cans):s = sum(self.temp)for x in cans:if s+x == self.target:self.temp.append(x)self.res += 1 self.temp.pop()elif s+x < self.target:self.temp.append(x)self.backTrace(cans)self.temp.pop()else:breakdef combinationSum4(self, candidates, target):candidates.sort()self.target = targetself.backTrace(candidates)return self.res

然而超時了。。。那么就用動態規劃吧。想到lru_cache，我就自頂向下直接遞歸了：

from functools import lru_cacheclass Solution:@lru_cache()def combinationSum(self, candidates, target):if len(candidates)==0:return 0if target == 0:return 1if target < min(candidates):return 0r = 0for x in candidates:r += self.combinationSum(candidates,target-x)return rdef combinationSum4(self, candidates, target):cans = tuple(candidates)return self.combinationSum(cans, target)

然而還是超時了。。。在自己電腦上跑了下，提示“RecursionError: maximum recursion depth exceeded in comparison”，原來是超過最大遞歸層數了。。。。查了下最后的測試用例，candidates=[3,33,333],target=10000,確實遞歸層數太深了。所以還是老老實實自己寫了自底向上的動態規劃算法：

class Solution:def combinationSum4(self, candidates, target):men = [0]*(target+1)for i in range(target+1):if i in candidates:men[i] += 1for x in candidates:if i - x >= 0:men[i] += men[i-x]return men[target]

總結

以上是生活随笔為你收集整理的用lru_cache提高性能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。