[英]Memoize a single argument in Python method
我編寫了一個使用Cox-de Boor遞歸算法來計算B樣條基函數的Numpy實現。 我想memoize
給定order
的對象實例,但相對於xi
保留可調用的功能。
換句話說,在實例化對象之后,應“設置”遞歸函數,但在xi
可調用它。 我確實需要這樣做以提高速度,因為我將多次調用該函數,並且不想一遍又一遍地構造遞歸函數。
這是當前的實現:
import numpy as np
#Turn off divide by zero warning because we explicitly check for it
np.seterr(divide='ignore')
class Bspline():
def __init__(self, knot_vector, order):
self.knot_vector = knot_vector
self.p = order
def __basis0(self, xi):
return np.where(np.all([self.knot_vector[:-1] <= xi,
xi < self.knot_vector[1:]],axis=0), 1.0, 0.0)
def __basis(self, xi, p):
if p == 0:
return self.__basis0(xi)
else:
basis_p_minus_1 = self.__basis(xi, p - 1)
first_term_numerator = xi - self.knot_vector[:-p]
first_term_denominator = self.knot_vector[p:] - self.knot_vector[:-p]
second_term_numerator = self.knot_vector[(p + 1):] - xi
second_term_denominator = self.knot_vector[(p + 1):] - self.knot_vector[1:-p]
first_term = np.where(first_term_denominator > 1.0e-12,
first_term_numerator / first_term_denominator, 0)
second_term = np.where(second_term_denominator > 1.0e-12,
second_term_numerator / second_term_denominator, 0)
return first_term[:-1] * basis_p_minus_1[:-1] + second_term * basis_p_minus_1[1:]
def __call__(self, xi):
return self.__basis(xi, self.p)
並用作
knot_vector = np.array([0,0,0,0,0,1,2,2,3,3,3,4,4,4,4,5,5,5,5,5])
basis = Bspline(knot_vector,4)
basis(1.2)
它返回在1.2
求值的基函數。 但是,我需要多次調用此函數,並且如現在所寫,每次調用都將重構遞歸函數,這是不必要的,因為遞歸級別在實例化時設置為4
這很容易使用,以memoize的任何functools.lru_cache
在Python3使用類似的,或在Python2.7 這個 :
class Bspline(object):
...
# Python2.7
@memoize
# or, Python3*
@functools.lru_cache()
def op(self, args):
return self._internal_op(xi)
創建一個保存該函數結果的字典,然后在再次調用該函數之前檢查該值是否在字典中。 與此類似的東西應該可以工作,具體取決於您的設置。
results = {}
for value in values:
if results.get(value):
answer = results[value]
else:
answer = basis(value)
results[value] = answer
print(answer) # or just display the results dict once you are done
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.