考虑到计算/存储成本的缓存
cache的Python项目详细描述
用于分析计算的缓存
----------
缓存有帮助。
像lru这样的常规缓存策略不太适合分析计算
，在分析计算中，重新计算的成本和存储的成本通常都会相差100万或更多。考虑下面的计算：python需要这个np.std（x）很小的结果，重新计算的代价很高，重新计算的代价很低。重新计算成本高（秒）
2。存储成本低（字节）
3。常用
4.recenty used
它通过在每次访问的每个项目得分中添加以下内容来实现这一点
重复结果的线性放大。
>
>
>
>``python
>>>>>>>>>>>>>>>
>
>>>
>>>>>>>>c=cache（1e9，1）1 GB，切掉任何成本小于或等于1的东西
>
>>>>>>>>>c.put（'x'，'某值'，成本=3）c.put（'y'，'其他值'，其他值'，成本=2）
>>
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>；c.get（'x'）
“some value”
```
这还有一个“memoize”方法
``python
>；>；memoize f=c.memoize（f）
````
status
----
cachey是新的，不健壮。
----------
缓存有帮助。
像lru这样的常规缓存策略不太适合分析计算
，在分析计算中，重新计算的成本和存储的成本通常都会相差100万或更多。考虑下面的计算：python需要这个np.std（x）很小的结果，重新计算的代价很高，重新计算的代价很低。重新计算成本高（秒）
2。存储成本低（字节）
3。常用
4.recenty used
它通过在每次访问的每个项目得分中添加以下内容来实现这一点
重复结果的线性放大。
>
>
>
>``python
>>>>>>>>>>>>>>>
>
>>>
>>>>>>>>c=cache（1e9，1）1 GB，切掉任何成本小于或等于1的东西
>
>>>>>>>>>c.put（'x'，'某值'，成本=3）c.put（'y'，'其他值'，其他值'，成本=2）
>>
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>；c.get（'x'）
“some value”
```
这还有一个“memoize”方法
``python
>；>；memoize f=c.memoize（f）
````
status
----
cachey是新的，不健壮。
欢迎加入QQ群-->： 979659372
