当前位置:首页 > 文章列表 > Golang > Go问答 > 能否通过编译器来优化 defer 中的递归调用?

能否通过编译器来优化 defer 中的递归调用?

来源:stackoverflow 2024-03-22 19:27:28 0浏览 收藏

在 Go 语言中,`defer` 中的递归调用无法被编译器优化为尾递归。Go 语言不支持尾递归优化,而是更注重生成有意义的堆栈跟踪。因此,即使`defer`中包含递归调用,编译器也不会进行优化,而会像普通函数调用一样执行。

问题内容

假设我有这个功能:

func abc(i int) (e error) {
    defer func() {
        if r := recover(); r != nil {
            abc(i * 2)
        }
    }()

    if someCondition(i) {
      return fmt.Errorf("Some Err");
    }

    return action() // returns err (nil in case of success) or panics
}

这会被视为尾递归调用吗?它可以被编译器优化吗,就像尾递归调用可以被优化一样?

我知道以这种方式抑制恐慌并不是一个好的决定,但假设有一个正确的 condition() 函数,该函数是安全的并且可以正确确定何时退出。


解决方案


这里有两件事要说:

  • recover() 将获取传递给 panic 的值。在您的情况下,除非 somecondition 出现恐慌,否则 recover 将始终返回 nil。所以我不确定你想做什么。
  • go 不进行尾部调用优化,go 团队更喜欢有意义的堆栈跟踪。对此进行了讨论,但尚未达成一致。

如果您想要做的是乘以 i * 2 直到条件为真,那么只需执行以下操作:

// using recursion
func abc(i int) error {
    if err := someCondition(i); err != nil {
      return abc(i * 2);
    }
    return nil
}

// using loop
func abc(i int) error {
    for someCondition(i) != nil {
        i *= 2
    }
    return nil
}

没有。

没有。

不要那样做。这样的聪明才智是不值得的。

好了,本文到此结束,带大家了解了《能否通过编译器来优化 defer 中的递归调用?》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多Golang知识!

版本声明
本文转载于:stackoverflow 如有侵犯,请联系study_golang@163.com删除
设置 gorilla mux 变量时,静态文件路径出现错误设置 gorilla mux 变量时,静态文件路径出现错误
上一篇
设置 gorilla mux 变量时,静态文件路径出现错误
使用本机库在UWP上(支持ARM64和Hololens)
下一篇
使用本机库在UWP上(支持ARM64和Hololens)
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    321次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    377次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    373次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    337次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    163次使用