Профилировщик памяти для numpy

Question

у меня есть numpy сценарий, который - согласно top -- использует около 5 ГБ ОЗУ:

  PID USER   PR  NI  VIRT  RES  SHR S %CPU %MEM    TIME+  COMMAND
16994 aix    25   0 5813m 5.2g 5.1g S  0.0 22.1  52:19.66 ipython

Есть ли профилировщик памяти, который позволил бы мне получить некоторое представление об объектах, которые занимают большую часть этой памяти?

я пробовал heapy, но guppy.hpy().heap() дает мне это:

Partition of a set of 90956 objects. Total size = 12511160 bytes.
 Index  Count   %     Size   % Cumulative  % Kind (class / dict of class)
     0  42464  47  4853112  39   4853112  39 str
     1  22147  24  1928768  15   6781880  54 tuple
     2    287   0  1093352   9   7875232  63 dict of module
     3   5734   6   733952   6   8609184  69 types.CodeType
     4    498   1   713904   6   9323088  75 dict (no owner)
     5   5431   6   651720   5   9974808  80 function
     6    489   1   512856   4  10487664  84 dict of type
     7    489   1   437704   3  10925368  87 type
     8    261   0   281208   2  11206576  90 dict of class
     9   1629   2   130320   1  11336896  91 __builtin__.wrapper_descriptor
<285 more rows. Type e.g. '_.more' to view.>

По какой-то причине на него приходится только 12 МБ из 5 ГБ (большая часть памяти почти наверняка используется numpy массивы).

Любые предложения относительно того, что я могу делать неправильно heapy или какие еще инструменты мне следует попробовать (кроме уже упомянутых в эта тема)?

Answer 1

Numpy (и его привязки к библиотекам, подробнее об этом через минуту) используют C malloc для выделения пространства, поэтому память, используемая большими выделениями numpy, не отображается при профилировании таких вещей, как heapy, и никогда не очищается мусором. коллектор.

Обычными подозреваемыми в крупных утечках на самом деле являются привязки библиотек scipy или numpy, а не сам код Python.В прошлом году я сильно обжегся из-за стандартного интерфейса scipy.linalg для umfpack, из-за которого утечка памяти составляла около 10 МБ за вызов.Возможно, вы захотите попробовать что-то вроде valgrind для профилирования кода.Часто это может дать некоторые подсказки относительно того, где искать места, где могут быть утечки.