Python lru_cache 使用与源码解读
1. 用法说明
functools.cache和functools.lru_cache都是Python标准库functools模块提供的装饰器，用于缓存函数的计算结果，以提高函数的执行效率。
举一个简单的例子：
1
2
3
4
5
6
7
8
9
10
11
12
13
from functools import lru_cache
import timeit
@lru_cache
def factorial(n):
return n * factorial(n-1) if n else 1
execution_time1 = timeit.timeit("factorial(64)", globals=globals(), number=10000)
execution_time2 = timeit.timeit("factorial.__wrapped__(64)", globals=globals(), number=10000)
print(f"Execution time1: {execution_time1:.4f} seconds")
print(f"Execution time2: {execution_time2:.4f} seconds")
print(f"Speedup: {execution_time2/execution_time1:.4f} times")
其中__wrapped__ 表示装饰器中原始的函数，也就是没有作用装饰器之前的裸函数。
代码输出如下：
1
2
3
Execution time1: 0.0004 seconds
Execution time2: 0.0016 seconds
Speedup: 3.5078 times
可以看到，通过lru_cache保存factorial函数的中间结果，得到了3.5倍的加速。
通过这里例子，我们可以看到lru_cache的使用方式，也是比较简单：
import lru_cache:: from functoools import lru_cache
给函数添加@lru_cache装饰器。
通过查看源码，可以看到lru_cache函数签名如下：
1
def lru_cache(maxsize=128, typed=False):
其中maxsize 参数表示缓存的最多结果数，默认是128。如果计算结果超过128，则遵循Least-recently-used (LRU)原则，将最近使用次数最少的缓存结果替换为当前的结果。如果设置maxsize=None，则缓存无上限，但内存占用也可能会增大，使用时多观察。
typed参数表示是否按类型缓存不同变量，即使数值一样。例如typed=True，那么f(decimal.Decimal("3.0")) 和 f(3.0)也会分开缓存。
2. 实际使用例子
上面只是一个玩具例子，实际代码中，lru_cache用法还是挺多的，这里举一些实际使用例子，来更清晰地理解它的功能。
2.1 get_available_devices
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
@lru_cache()
def get_available_devices() -> FrozenSet[str]:
"""
Returns a frozenset of devices available for the current PyTorch installation.
"""
devices = {"cpu"} # `cpu` is always supported as a device in PyTorch
if is_torch_cuda_available():
devices.add("cuda")
if is_torch_mps_available():
devices.add("mps")
if is_torch_xpu_available():
devices.add("xpu")
if is_torch_npu_available():
devices.add("npu")
if is_torch_mlu_available():
devices.add("mlu")
if is_torch_musa_available():
devices.add("musa")
return frozenset(devices)
代码地址： https://github.com/huggingface/transformers/blob/f11f57c92579aa311dbde5267bc0d8d6f2545f7b/src/transformers/utils/__init__.py#L298
这是获取所有可用 torch devices的代码，通过增加lru_cache进行缓存。
2.2 API请求缓存
1
2
3
4
5
6
7
8
9
10
11
12
import requests
from functools import lru_cache
@lru_cache(maxsize=32)
def get_weather(city: str) -> dict:
url = f"https://api.weather.com/{city}"
response = requests.get(url)
return response.json()
# 多次调用相同城市时，直接从缓存读取
print(get_weather("beijing")) # 真实请求
print(get_weather("beijing")) # 命中缓存
2.3 读取配置
1
2
3
4
5
6
7
8
9
10
11
from functools import lru_cache
import configparser
@lru_cache(maxsize=1) # 只需缓存最新配置
def load_config(config_path: str) -> dict:
config = configparser.ConfigParser()
config.read(config_path)
return {section: dict(config[section]) for section in config.sections()}
# 多次读取同一配置文件时，直接返回缓存对象
config = load_config("app.ini")
2.4 包含参数的资源初始化
1
2
3
4
5
6
7
8
9
10
11
from functools import lru_cache
import tensorflow as tf
@lru_cache(maxsize=2)
def load_model(model_name: str) -> tf.keras.Model:
print(f"Loading {model_name}...") # 仅首次加载时打印
return tf.keras.models.load_model(f"models/{model_name}.h5")
# 重复调用时直接返回已加载模型
model1 = load_model("resnet50") # 真实加载
model2 = load_model("resnet50") # 命中缓存
3. lru_cache源码分析
lru_cache源码在CPython源码目录的Lib/functools.py中，可以在GitHub上查看。
下面通过代码截图的方式详细分析源码。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
def lru_cache(maxsize=128, typed=False):
if isinstance(maxsize, int):
# 如果maxsize为负数，则设置maxsize=0，也就是无缓存
if maxsize < 0:
maxsize = 0
elif callable(maxsize) and isinstance(typed, bool):
# maxsize没有传入，直接传入的是用户定义函数
user_function, maxsize = maxsize, 128
# 调用_lru_cache_wrapper创建wrapper，具体实现在底下
wrapper = _lru_cache_wrapper(user_function, maxsize, typed, _CacheInfo)
wrapper.cache_parameters = lambda : {'maxsize': maxsize, 'typed': typed}
# 调用update_wrapper来更新wrapper的元数据，使得与user_function一致
return update_wrapper(wrapper, user_function)
elif maxsize is not None:
raise TypeError(
'Expected first argument to be an integer, a callable, or None')
def decorating_function(user_function):
wrapper = _lru_cache_wrapper(user_function, maxsize, typed, _CacheInfo)
wrapper.cache_parameters = lambda : {'maxsize': maxsize, 'typed': typed}
return update_wrapper(wrapper, user_function)
return decorating_function
# LRU装饰器具体实现函数
def _lru_cache_wrapper(user_function, maxsize, typed, _CacheInfo):
# Constants shared by all lru cache instances:
# 每个object()得到的ID都是唯一的
sentinel = object() # unique object used to signal cache misses
make_key = _make_key # build a key from the function arguments
PREV, NEXT, KEY, RESULT = 0, 1, 2, 3 # names for the link fields
cache = {}
hits = misses = 0
full = False
cache_get = cache.get # bound method to lookup a key or return None
cache_len = cache.__len__ # get cache size without calling len()
lock = RLock() # because linkedlist updates aren't threadsafe
root = [] # root of the circular doubly linked list
root[:] = [root, root, None, None] # initialize by pointing to self
if maxsize == 0:
def wrapper(*args, **kwds):
# maxsize=0，说明无缓存，直接调用用户函数并返回结果
nonlocal misses
misses += 1
result = user_function(*args, **kwds)
return result
elif maxsize is None:
def wrapper(*args, **kwds):
# 无限缓存情况，不用考虑LRU替换，直接匹配
nonlocal hits, misses
# 生成包含args, kwds和typed的唯一的key
key = make_key(args, kwds, typed)
result = cache_get(key, sentinel)
if result is not sentinel:
# 找到了key，说明已经有缓存了
hits += 1
return result
misses += 1
result = user_function(*args, **kwds)
# 将本次结果进行缓存
cache[key] = result
return result
else:
# 有缓存大小的情况，需要进行LRU替换
def wrapper(*args, **kwds):
# Size limited caching that tracks accesses by recency
nonlocal root, hits, misses, full
key = make_key(args, kwds, typed)
with lock:
link = cache_get(key)
if link is not None:
# 使用双向链表结构体
# 在链表中删除命中的节点
link_prev, link_next, _key, result = link
link_prev[NEXT] = link_next
link_next[PREV] = link_prev
# 将命中的节点移动到最后位置，root为最开始位置，表示最旧没用的数据，而last表示最新使用的数据
last = root[PREV]
last[NEXT] = root[PREV] = link
link[PREV] = last
link[NEXT] = root
hits += 1
return result
misses += 1
result = user_function(*args, **kwds)
#处理没命中的情况，因为如果命中的话，前面已经return了
with lock:
if key in cache:
# 这种情况说明别的线程写入了key，由于节点已经移动到最开始位置了，这里不需要做操作，只需要确保结果最后会返回
pass
elif full:
# 缓存已满，需要LRU替换
# 使用要删除的节点保存新插入的数据，避免额外的内存申请
oldroot = root
oldroot[KEY] = key
oldroot[RESULT] = result
root = oldroot[NEXT]
oldkey = root[KEY]
oldresult = root[RESULT]
root[KEY] = root[RESULT] = None
# Now update the cache dictionary.
del cache[oldkey]
# Save the potentially reentrant cache[key] assignment
# for last, after the root and links have been put in
# a consistent state.
cache[key] = oldroot
else:
# 没满的时候，直接插入link到最后
last = root[PREV]
link = [last, root, key, result]
last[NEXT] = root[PREV] = cache[key] = link
# 检查缓存是否满了，使用cache_len而不是len()，因为len()可能会被lru_cache缓存,但属性不会，cache_len = cache.__len__
full = (cache_len() >= maxsize)
return result
def cache_info():
"""Report cache statistics"""
with lock:
return _CacheInfo(hits, misses, maxsize, cache_len())
def cache_clear():
"""Clear the cache and cache statistics"""
# 清空cache
nonlocal hits, misses, full
with lock:
cache.clear()
root[:] = [root, root, None, None]
hits = misses = 0
full = False
wrapper.cache_info = cache_info
wrapper.cache_clear = cache_clear
return wrapper
4. lru_cache和cache的区别
functools.cache是Python 3.9引入的新特性，作为lru_cache的无缓存大小限制的一个alias。
具体来说，通过查看源码，可以发现cache是lru_cache的一个特例：
1
2
3
def cache(user_function, /):
'Simple lightweight unbounded cache. Sometimes called "memoize".'
return lru_cache(maxsize=None)(user_function)
而lru_cache 的函数签名如下：
1
def lru_cache(maxsize=128, typed=False):
因此可以看出cache=lru_cache(maxsize=None, typed=False) 。因此cache函数有两个重要的特点：
缓存空间无限大，也就是说不存在缓存的字典的key值超过上限，需要替换掉那些最不常用的key的情况，可以保证所有函数都能命中，但代价是会占用更多的内存。
typed=False，表明不同类型的具有相同类型的数值会被当作一个值来缓存。
5. 不适合的应用场景
返回可变对象（如列表、字典）时，缓存的是对象引用，可能导致意外修改
函数有副作用（如写入文件、修改全局变量）
参数不可哈希（如传递字典、列表等可变类型）
参数组合可能性无限（导致缓存无限膨胀）