cachey 0.2.1

分析计算缓存

人类会重复做事情。缓存有助于。

正常的缓存策略，如LRU，并不适用于分析计算，因为在分析计算中，重新计算的代价和存储的代价通常会随着一百万或更多而变化。考虑以下计算

# Want this
np.std(x)        # tiny result, costly to recompute

# Don't want this
np.transpose(x)  # huge result, cheap to recompute

Cachey尝试保留具有以下特性的值

1. 重新计算代价高昂（以秒计）
2. 存储成本低（以字节计）
3. 经常使用
4. 最近使用

它通过在每个访问的项目得分上添加以下内容来实现这一点。

score += compute_time / num_bytes * (1 + eps) ** tick_time

对于一些小的ε值（它决定了内存半衰期）。这个值的单位是倒数带宽，旧结果的指数衰减和重复结果的粗略线性放大。

示例

>>> from cachey import Cache
>>> c = Cache(1e9, 1)  # 1 GB, cut off anything with cost 1 or less

>>> c.put('x', 'some value', cost=3)
>>> c.put('y', 'other value', cost=2)

>>> c.get('x')
'some value'

它还有一个memoize方法。

>>> memo_f = c.memoize(f)

状态

Cachey是新的，并且不够稳健。