Mémoïsation, en Python et en OCaml

Ce document montre deux exemples d'implémentations d'un procédé générique (mais basique) de mémoïsation en Python et en OCaml

En Python

Exemples de fonctions à mémoïser

On commence avec des fonctions inutilement lentes :


In [1]:
from time import sleep

In [2]:
def f1(n):
    sleep(3)
    return n + 3

def f2(n):
    sleep(4)
    return n * n

In [3]:
%timeit f1(10)


3 s ± 1.05 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [4]:
%timeit f2(10)


4 s ± 1.25 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Mémoïsation générique, non typée

C'est étrangement court !


In [5]:
def memo(f):
    memoire = {}  # dictionnaire vide, {} ou dict()
    def memo_f(n):              # nouvelle fonction
        if n not in memoire:    # verification
             memoire[n] = f(n)  # stockage
        return memoire[n]       # lecture
    return memo_f               # ==> f memoisée !

Essais


In [6]:
memo_f1 = memo(f1)

print("3 secondes...")
print(memo_f1(10))  # 13, 3 secondes après
print("0 secondes !")
print(memo_f1(10))  # instantanné !

# différent de ces deux lignes !

print("3 secondes...")
print(memo(f1)(10))
print("3 secondes...")
print(memo(f1)(10))  # 3 secondes aussi !


3 secondes...
13
0 secondes !
13
3 secondes...
13
3 secondes...
13

In [7]:
%timeit memo_f1(10)  # instantanné !


122 ns ± 5.67 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

Et :


In [8]:
memo_f2 = memo(f2)

print("4 secondes...")
print(memo_f2(10))  # 100, 4 secondes après
print("0 secondes !")
print(memo_f2(10))  # instantanné !


4 secondes...
100
0 secondes !
100

In [9]:
%timeit memo_f2(10)  # instantanné !


120 ns ± 3.43 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

Mémoïsation générique et typée

Ce n'est pas tellement plus compliquée de typer la mémoïsation.


In [10]:
def memo_avec_type(f):
    memoire = {}  # dictionnaire vide, {} ou dict()
    def memo_f_avec_type(n):
        if (type(n), n) not in memoire:
             memoire[(type(n), n)] = f(n)
        return memoire[(type(n), n)]
    return memo_f_avec_type

Avantage, on obtiens un résultat plus cohérent "au niveau de la reproducibilité des résultats", par exemple :


In [11]:
def fonction_sur_entiers_ou_flottants(n):
    if isinstance(n, int):
        return 'Int'
    elif isinstance(n, float):
        return 'Float'
    else:
        return '?'

In [12]:
test0 = fonction_sur_entiers_ou_flottants
print(test0(1))
print(test0(1.0))  # résultat correct !
print(test0("1"))


Int
Float
?

In [14]:
test1 = memo(fonction_sur_entiers_ou_flottants)
print(test1(1))
print(test1(1.0))  # résultat incorrect !
print(test1("1"))


Int
Int
?

In [15]:
test2 = memo_avec_type(fonction_sur_entiers_ou_flottants)
print(test2(1))
print(test2(1.0))  # résultat correct !
print(test2("1"))


Int
Float
?

Bonus : on peut utiliser la syntaxe d'un décorateur en Python


In [16]:
def fibo(n):
    if n <= 1: return 1
    else: return fibo(n-1) + fibo(n-2)

print("Test de fibo() non mémoisée :")
for n in range(10):
    print("F_{} = {}".format(n, fibo(n)))


Test de fibo() non mémoisée :
F_0 = 1
F_1 = 1
F_2 = 2
F_3 = 3
F_4 = 5
F_5 = 8
F_6 = 13
F_7 = 21
F_8 = 34
F_9 = 55

Cette fonction récursive est terriblement lente !


In [18]:
%timeit fibo(35)


3.15 s ± 74.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [33]:
# version plus rapide !
@memo
def fibo2(n):
    if n <= 1: return 1
    else: return fibo2(n-1) + fibo2(n-2)

print("Test de fibo() mémoisée (plus rapide) :")
for n in range(10):
    print("F_{} = {}".format(n, fibo2(n)))


Test de fibo() mémoisée (plus rapide) :
F_0 = 1
F_1 = 1
F_2 = 2
F_3 = 3
F_4 = 5
F_5 = 8
F_6 = 13
F_7 = 21
F_8 = 34
F_9 = 55

In [21]:
%timeit fibo2(35)


118 ns ± 2.59 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

Autre exemple, ou le gain de temps est moins significatif.


In [22]:
def factorielle(n):
    if n <= 0: return 0
    elif n == 1: return 1
    else: return n * factorielle(n-1)

print("Test de factorielle() non mémoisée :")
for n in range(10):
    print("{}! = {}".format(n, factorielle(n)))


Test de factorielle() non mémoisée :
0! = 0
1! = 1
2! = 2
3! = 6
4! = 24
5! = 120
6! = 720
7! = 5040
8! = 40320
9! = 362880

In [23]:
%timeit factorielle(30)


4.53 µs ± 214 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [24]:
@memo
def factorielle2(n):
    if n <= 0: return 0
    elif n == 1: return 1
    else: return n * factorielle2(n-1)

print("Test de factorielle() mémoisée :")
for n in range(10):
    print("{}! = {}".format(n, factorielle2(n)))


Test de factorielle() mémoisée :
0! = 0
1! = 1
2! = 2
3! = 6
4! = 24
5! = 120
6! = 720
7! = 5040
8! = 40320
9! = 362880

In [25]:
%timeit factorielle2(30)


124 ns ± 6.32 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

Conclusion

En Python, c'est facile, avec des dictionnaires génériques et une syntaxe facilitée avec un décorateur.

Bonus : ce décorateur est dans la bibliothèque standard dans le module functools !


In [32]:
from functools import lru_cache  # lru = least recently updated

In [34]:
@lru_cache(maxsize=None)
def fibo3(n):
    if n <= 1: return 1
    else: return fibo3(n-1) + fibo3(n-2)

print("Test de fibo() mémoisée avec functools.lru_cache (plus rapide) :")
for n in range(10):
    print("F_{} = {}".format(n, fibo3(n)))


Test de fibo() mémoisée avec functools.lru_cache (plus rapide) :
F_0 = 1
F_1 = 1
F_2 = 2
F_3 = 3
F_4 = 5
F_5 = 8
F_6 = 13
F_7 = 21
F_8 = 34
F_9 = 55

In [35]:
%timeit fibo2(35)


115 ns ± 2.83 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [36]:
%timeit fibo3(35)


86.6 ns ± 1.62 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [37]:
%timeit fibo2(70)


117 ns ± 1.44 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [38]:
%timeit fibo3(70)


86.2 ns ± 1.12 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

(On obtient presque les mêmes performances que notre implémentation manuelle)


En OCaml

Je traite exactement les mêmes exemples.

J'expérimente l'utilisation de deux kernels Jupyter différents pour afficher des exemples de codes écrits dans deux langages dans le même notebook... Ce n'est pas très propre mais ça marche.

Préliminaires

Quelques fonctions nécessaires pour ces exemples :


In [7]:
let print = Format.printf;;
let sprintf = Format.sprintf;;
let time = Unix.time;;
let sleep n = Sys.command (sprintf "sleep %i" n);;


Out[7]:
val print : ('a, Format.formatter, unit) format -> 'a = <fun>
Out[7]:
val sprintf : ('a, unit, string) format -> 'a = <fun>
Out[7]:
val time : unit -> float = <fun>
Out[7]:
val sleep : int -> int = <fun>

In [11]:
let timeit (repet : int) (f : 'a -> 'a) (x : 'a) () : float =
    let time0 = time () in
    for _ = 1 to repet do
        ignore (f x);
    done;
    let time1 = time () in
    (time1 -. time0 ) /. (float_of_int repet)
;;


Out[11]:
val timeit : int -> ('a -> 'a) -> 'a -> unit -> float = <fun>

Exemples de fonctions à mémoïser


In [12]:
let f1 n =
    ignore (sleep 3);
    n + 2
;;


Out[12]:
val f1 : int -> int = <fun>

In [13]:
let _ = f1 10;; (* 13, après 3 secondes *)


Out[13]:
- : int = 12

In [14]:
timeit 3 f1 10 ();; (* 3 secondes *)


Out[14]:
- : float = 3.

Et un autre exemple similaire :


In [15]:
let f2 n =
    ignore (sleep 4);
    n * n
;;


Out[15]:
val f2 : int -> int = <fun>

In [18]:
let _ = f2 10;; (* 100, après 3 secondes *)


Out[18]:
- : int = 100

In [19]:
timeit 3 f2 10 ();; (* 4 secondes *)


Out[19]:
- : float = 4.

Mémoïsation pour des fonctions d'un argument

On utilise le module Hashtbl de la bibliothèque standard.


In [20]:
let memo f =
    let memoire = Hashtbl.create 128 in (* taille 128 par defaut *)
    let memo_f n =
        if Hashtbl.mem memoire n then   (* lecture *)
            Hashtbl.find memoire n
        else begin
            let res = f n in            (* calcul *)
            Hashtbl.add memoire n res;  (* stockage *)
            res
        end
    in
    memo_f  (* nouvelle fonction *)
;;


Out[20]:
val memo : ('a -> 'b) -> 'a -> 'b = <fun>

Essais

Deux exemples :


In [21]:
let memo_f1 = memo f1 ;;
let _ = memo_f1 10 ;; (* 3 secondes *)
let _ = memo_f1 10 ;; (* instantanné *)


Out[21]:
val memo_f1 : int -> int = <fun>
Out[21]:
- : int = 12
Out[21]:
- : int = 12

In [24]:
timeit 100 memo_f1 20 ();; (* 0.03 secondes *)


Out[24]:
- : float = 0.03

In [28]:
let memo_f2 = memo f2 ;;
let _ = memo_f2 10 ;; (* 4 secondes *)
let _ = memo_f2 10 ;; (* instantanné *)


Out[28]:
val memo_f2 : int -> int = <fun>
Out[28]:
- : int = 100
Out[28]:
- : int = 100

In [29]:
timeit 100 memo_f2 20 ();; (* 0.04 secondes *)


Out[29]:
- : float = 0.04

Ma fonction timeit fait un nombre paramétrique de répétitions sur des entrées non aléatoires, donc le temps moyen observé dépend du nombre de répétitions !


In [31]:
timeit 10000 memo_f2 50 ();; (* 0.04 secondes *)


Out[31]:
- : float = 0.0004

Exemple de la suite de Fibonacci


In [32]:
let rec fibo = function
    | 0 | 1 -> 1
    | n -> (fibo (n - 1)) + (fibo (n - 2))
;;


Out[32]:
val fibo : int -> int = <fun>

In [38]:
fibo 40;;


Out[38]:
- : int = 165580141

In [42]:
timeit 10 fibo 40 ();; (* 4.2 secondes ! *)


Out[42]:
- : float = 4.2

Et avec la mémoïsation automatique :


In [48]:
let memo_fibo = memo fibo;;


Out[48]:
val memo_fibo : int -> int = <fun>

In [49]:
memo_fibo 40;;


Out[49]:
- : int = 165580141

In [50]:
timeit 10 memo_fibo 41 ();; (* 0.7 secondes ! *)


Out[50]:
- : float = 0.7

Conclusion

En OCaml, ce n'était pas trop dur non plus en utilisant une table de hachage (dictionnaire), disponibles dans le module Hashtbl.

On est confronté à une limitation de Caml, à savoir que la la fonction memo_f doit être bien typée pour être renvoyée par memo f donc memo ne peut pas avoir un type générique : il faut écrire un décorateur de fonction pour chaque signature bien connue de la fonction qu'on veut mémoïser...