cupy.fft._cache.PlanCache#

class cupy.fft._cache.PlanCache(Py_ssize_t size=16, Py_ssize_t memsize=-1, int dev=-1)[源代码]#

一个针对每个线程、每个设备的，最近最少使用（LRU）的 cuFFT 计划缓存。

参数:

size (int) – 缓存可以容纳的计划数量。默认值是16。将其设置为``-1``将使此限制被忽略。
memsize (int) – 缓存中的计划用于其工作区的GPU内存量，以字节为单位。默认值为 -1，表示无限制。
dev (int) – 缓存目标设备的ID。

备注

通过将 size 设置为 0 （通过调用 set_size()）或 memsize 设置为 0 （通过调用 set_memsize()），缓存将被禁用，任何操作都将无效。要重新启用它，只需设置一个非零的 size 和/或 memsize。

用户可以实例化此类，但不鼓励这样做。相反，我们期望通过 get_plan_cache() 获取缓存句柄的以下规范使用模式：

from cupy.cuda import Device
from cupy.fft.config import get_plan_cache

# get the cache for device n
with Device(n):
    cache = get_plan_cache()
    cache.set_size(0)  # disable the cache

特别是，设备 n 的缓存应在设备 n 的上下文中进行操作。

这个类是线程安全的，因为默认情况下它是按线程创建的。当启动一个新线程时，新的缓存不会被初始化，直到调用 get_plan_cache() 或手动调用构造函数。
对于多GPU计划，该计划将被添加到每个参与GPU的缓存中。在任何缓存中移除时，该计划将从每个参与GPU的缓存中移除。
此缓存支持迭代器协议，并返回一个 2 元组：(键, 节点)，从最近使用的计划开始。

方法

__getitem__(key, /)#: 返回 self[key]。

__setitem__(key, value, /)#: 将 self[key] 设置为 value。

__iter__()#: 实现 iter(self)。

clear(self)#

get(self, tuple key, default=None)#

get_curr_memsize(self) → Py_ssize_t#

get_curr_size(self) → Py_ssize_t#

get_memsize(self) → Py_ssize_t#

get_size(self) → Py_ssize_t#

set_memsize(self, Py_ssize_t memsize)#

set_size(self, Py_ssize_t size)#

show_info(self)#

__eq__(value, /)#: 返回 self==value。

__ne__(value, /)#: 返回 self!=value。

__lt__(value, /)#: 返回 self<value。

__le__(value, /)#: 返回 self<=value。

__gt__(value, /)#: 返回 self>value。

__ge__(value, /)#: 返回 self>=value。