详解Python 指定记忆化

Python 中的记忆化技术可以用来解决那些需要大量递归调用及重复计算的问题，通过将已经计算过的结果缓存起来，避免重复计算，从而提高运行效率。但是，如果不指定缓存策略，可能会带来一些不必要的问题，如内存泄漏等。

因此，指定记忆化策略是十分必要的。以下是Python 指定记忆化的完整攻略：

1.使用functools模块

Python 内置的 functools 模块提供了一个可以进行记忆化的decorator——lru_cache。LRU (Least Recently Used) 指的是缓存最近被使用的数据，这意味着当缓存达到最大限制时，最不常用的数据将被弹出缓存。

示例代码：

from functools import lru_cache

@lru_cache(maxsize=128)
def my_func(param):
    # 计算过程
    return result

在该示例中，使用了 lru_cache 装饰器，同时指定了最大缓存数量为128。当函数被多次调用时，如果参数相同，则直接返回缓存中保存的结果，如果参数不同，则重新计算。需要注意的是，当指定 maxsize 时，cache 大小固定不变，若指定为None，则 cache 大小为随时自增长的。

2.手动管理缓存

有时候，我们需要对缓存进行更加精细的设置，比如手动管理缓存大小等。这时可以考虑手动实现一个缓存类，用来存储和获取已经计算过的结果，从而避免重复计算。

示例代码：

class MyCache():
    def __init__(self, maxsize=128):
        self.maxsize = maxsize
        self.cache = {}
        self.queue = deque()

    def get(self, key):
        if key in self.cache:
            self.queue.remove(key)
            self.queue.append(key)
            return self.cache[key]
        else:
            return None

    def set(self, key, value):
        if len(self.queue) >= self.maxsize:
            k = self.queue.popleft()
            del self.cache[k]
        self.queue.append(key)
        self.cache[key] = value

my_cache = MyCache(maxsize=128)

def my_func(param):
    if my_cache.get(param) is not None:
        return my_cache.get(param)
    else:
        # 计算过程
        result = ...
        my_cache.set(param, result)
        return result

在该示例中，手动实现了一个 MyCache 类来保存计算结果。在 get 方法中，如果 key 在缓存中存在，则将其移动到队列末尾，并返回缓存中保存的值；否则返回 None。在 set 方法中，如果队列已满，则将队首元素移除，并删除其对应的缓存值。最后将计算得到的结果缓存起来，并返回。

综上所述，指定记忆化策略可以有效提高程序运行效率，同时也可以避免一些不必要的问题。在实际开发中，我们可以依据实际场景选择不同的缓存策略，并根据需要进行更细致的控制。