معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

The equivalent of cached_property for methods

ویژگی	مقدار
سیستم عامل	-
نام فایل	cached_method-0.1.0
نام	cached_method
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	Marten Lienen <marten.lienen@gmail.com>
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/cached_method/
مجوز	-

# cached_method The `@cached_method` decorator is the equivalent of [`functools.cached_property`](https://docs.python.org/3/library/functools.html#functools.cached_property) for methods. This means that each instance has its own cache, so that the caches get garbage collected as soon as the owning objects are. The main advantages of `cached_method` over applying `functools.lru_cache` directly to methods are 1. the surrounding class need not be hashable, 2. and the class objects are not collected in a global cache, extending their lifetime. This makes `cached_method` applicable to classes holding references to scarce resources such as GPU memory that you want to be freed as soon as possible. Furthermore, the decorator can cache the output of `__hash__` because it does not hash the object itself for cache lookups. Implementation-wise `cached_method` closely follows `functools.cached_property` though it eschews the internal locking, which is now [considered a mistake](https://bugs.python.org/issue43468). Since cached methods should be idempotent anyway, we just accept possibly calling the method multiple times in parallel with equivalent arguments if the object is used in multi-threaded contexts. ```python from cached_method import cached_method class GPUVector: def __init__(self, data): # data is some smart tensor object as found in pytorch, tensorflow, etc. self.data = data # Only cache the 2 most-recently used norms @cached_method(maxsize=2) def norm(self, p=2): return (self.data ** p).sum() ** (1 / p) @cached_method def __hash__(self): # A costly GPU-to-CPU transfer, so we want to hash the result return hash(tuple(self.data.to_cpu())) ``` If you are working with small, hashable objects that do not have to be gargabe collected as soon as possible, consider the [method hashing technique described in the Python FAQ](https://docs.python.org/3/faq/programming.html#how-do-i-cache-method-calls). It gives you an easy way to control the total cache size and allows cache hits between equivalent-but-not-identical objects. Of course, caching on the class level means that objects stay live until you clear the cache manually, even if the cache is the last object referencing them.

نیازمندی

مقدار	نام
-	pytest

زبان مورد نیاز

مقدار	نام
>= 3.6	Python

نحوه نصب

نصب پکیج whl cached_method-0.1.0:

pip install cached_method-0.1.0.whl

نصب پکیج tar.gz cached_method-0.1.0:

pip install cached_method-0.1.0.tar.gz