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

Caching mindful of computation/storage costs

ویژگی	مقدار
سیستم عامل	-
نام فایل	cachey-0.2.1
نام	cachey
نسخه کتابخانه	0.2.1
نگهدارنده	['Matthew Rocklin']
ایمیل نگهدارنده	['mrocklin@gmail.com']
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	http://github.com/dask/cachey/
آدرس اینترنتی	https://pypi.org/project/cachey/
مجوز	BSD

Caching for Analytic Computations --------------------------------- Humans repeat stuff. Caching helps. Normal caching policies like LRU aren't well suited for analytic computations where both the cost of recomputation and the cost of storage routinely vary by one million or more. Consider the following computations ```python # Want this np.std(x) # tiny result, costly to recompute # Don't want this np.transpose(x) # huge result, cheap to recompute ``` Cachey tries to hold on to values that have the following characteristics 1. Expensive to recompute (in seconds) 2. Cheap to store (in bytes) 3. Frequently used 4. Recenty used It accomplishes this by adding the following to each items score on each access score += compute_time / num_bytes * (1 + eps) ** tick_time For some small value of epsilon (which determines the memory halflife.) This has units of inverse bandwidth, has exponential decay of old results and roughly linear amplification of repeated results. Example ------- ```python >>> 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' ``` This also has a `memoize` method ```python >>> memo_f = c.memoize(f) ``` Status ------ Cachey is new and not robust.

نیازمندی

مقدار	نام
-	heapdict

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl cachey-0.2.1:

pip install cachey-0.2.1.whl

نصب پکیج tar.gz cachey-0.2.1:

pip install cachey-0.2.1.tar.gz