为什么一种记忆策略比另一种慢？答案

【问题标题】：Why is one memoization strategy slower than the other?为什么一种记忆策略比另一种慢？
【发布时间】：2014-10-18 14:11:18
【问题描述】：

所以这个关于记忆的page 让我很好奇。我运行了自己的基准测试。

1) 可变默认字典：

%%timeit
def fibo(n, dic={}) :
    if n not in dic :
        if n in (0,1) :
            dic[n] = 1
        else :
            dic[n] = fibo(n-1)+fibo(n-2)
    return dic[ n ]
fibo(30)

输出：

100000 loops, best of 3: 18.3 µs per loop

2) 相同的想法，但遵循“请求原谅比许可更容易”的原则：

In [21]:

%%timeit
def fibo(n, dic={}) :
    try :
        return dic[n]
    except :
        if n in (0,1) :
            dic[n] = 1
        else :
            dic[n] = fibo(n-1)+fibo(n-2)
        return dic[ n ]
fibo(30)

输出：

10000 loops, best of 3: 46.8 µs per loop

我的问题

为什么 2) 比 1) 慢？

编辑

正如@kevin 在 cmets 中建议的那样，我把装饰器弄错了，所以我把它删除了。其余的仍然有效！（希望）

【问题讨论】：

这是一个非常不寻常的装饰器。通常当你在装饰器的某个地方装饰一个函数时，你最终会在完成一些工作后调用该函数。但是你的装饰者从不打电话给f。当您装饰 fibo 时，您实际上是在“丢弃此函数的定义，并将其替换为示例 1 中的函数”
捕获异常（这意味着堆栈跟踪）可能非常昂贵：docs.python.org/2/faq/design.html#how-fast-are-exceptions
@DmitryBychenko 我认为您应该将其发布为答案。
“请求原谅比许可更容易”的原则从何而来？ :0 在编程环境中这听起来相当不合理。
@BartoszKP 这是真的。大多数时候，用户可能会给你正确的东西。这就是为什么最好假设他们给了你正确的东西，如果它错了就处理异常。这样您就可以避免hasattr 或if key in d: 的开销。该原则经常使用的另一个领域是在尝试使用键/属性之前检查它们是否存在，这（有时）更可能被实际原谅。

标签： python fibonacci memoization python-decorators

【解决方案1】：

捕获异常意味着堆栈跟踪，这可能非常昂贵：

https://docs.python.org/2/faq/design.html#how-fast-are-exceptions

异常在两种情况下非常有效：

try ... finally
try ... except，前提是没有抛出异常

但是，当异常发生并捕获所需的堆栈跟踪 增加了很大的开销。

【讨论】：

【解决方案2】：

方法一总共进行了三个查找（n not in dic:、插入dic[n] = 和返回dic[n]）。第二种方法在最坏情况中也进行了三个查找（检索尝试dic[n] = 、插入dic[n] = 和返回dic[n]），另外还涉及异常处理。

如果一种方法与另一种方法完成相同的工作，并向其中添加一些内容，那么它显然不会更快，而且很可能会更慢。

考虑在记忆化有更多场合有用的情况下比较效率 - 即多次运行函数，以比较摊销复杂性。这样，第二种方法的最坏情况发生的频率会降低，并且您可以从更少的查找中获得一些东西。

版本1：

def fibo(n, dic={}) :
    if n not in dic :
        if n in (0,1) :
            dic[n] = 1
        else :
            dic[n] = fibo(n-1)+fibo(n-2)
    return dic[ n ]

for i in range(10000):
    fibo(i)

版本2：

def fibo(n, dic={}) :
    try :
        return dic[n]
    except :
        if n in (0,1) :
            dic[n] = 1
        else :
            dic[n] = fibo(n-1)+fibo(n-2)
        return dic[ n ]

for i in range(10000):
    fibo(i)

还有测试：

C:\Users\Bartek\Documents\Python>python -m timeit -- "import version1"
1000000 个循环，3 个中最好的：每个循环 1.64 微秒

C:\Users\Bartek\Documents\Python>python -m timeit -- "import version2"
1000000 个循环，3 个中最好的：每个循环 1.6 微秒

当函数被更频繁地使用时，缓存中会填充更多的值，从而降低异常的机会。

【讨论】：