python - 为大对象分配名称似乎会大大增加内存使用量

Question

通常，当我需要调用一个复杂的公式时，我会将其分解为两行或更多行以使代码更易于理解。但是，在分析一些计算 RMSE 的代码时，我发现这样做似乎会增加代码的内存使用。这是一个简化的示例:

import numpy as np
import random
from memory_profiler import profile

@profile
def fun1():
    #very large datasets (~750 mb each)
    predicted = np.random.rand(100000000)
    observed = np.random.rand(100000000)
    #calculate residuals as intermediate step
    residuals = observed - predicted
    #calculate RMSE
    RMSE = np.mean(residuals **2) ** 0.5
    #delete residuals
    del residuals

@profile
def fun2():
    #same sized data
    predicted = np.random.rand(100000000)
    observed = np.random.rand(100000000)
    #same calculation, but with residuals and RMSE calculated on same line
    RMSE = np.mean((observed - predicted) ** 2) ** 0.5

if __name__ == "__main__":
    fun1()
    fun2()

输出:

Filename: memtest.py

Line #    Mem usage    Increment   Line Contents
================================================
     5     19.9 MiB      0.0 MiB   @profile
     6                             def fun1():
     7    782.8 MiB    763.0 MiB        predicted = np.random.rand(100000000)
     8   1545.8 MiB    762.9 MiB        observed = np.random.rand(100000000)
     9   2308.8 MiB    763.0 MiB        residuals = observed - predicted
    10   2308.8 MiB      0.1 MiB        RMSE = np.mean(residuals ** 2) ** 0.5
    11   1545.9 MiB   -762.9 MiB        del residuals


Filename: memtest.py

Line #    Mem usage    Increment   Line Contents
================================================
    13     20.0 MiB      0.0 MiB   @profile
    14                             def fun2():
    15    783.0 MiB    762.9 MiB        predicted = np.random.rand(100000000)
    16   1545.9 MiB    762.9 MiB        observed = np.random.rand(100000000)
    17   1545.9 MiB      0.0 MiB        RMSE = np.mean((observed - predicted) **
 2) ** 0.5

如您所见，第一个函数(其中计算被拆分)似乎在峰值时需要额外的 ~750 MB - 大概是 residuals 数组的成本。然而，这两个函数都需要创建数组——唯一的区别是第一个函数为其分配了一个名称。这与我对 python 中内存管理的工作方式的理解相反。

那么，这里发生了什么？一种想法是，这可能是 memory_profiler 模块的产物。在运行期间观察 Windows 任务管理器表明了类似的模式(尽管我知道这不是一个非常值得信赖的验证)。如果这是“真实”效果，我对内存处理方式的误解是什么？或者，这是特定于 numpy 的吗？

Answer 1

memory_profiler 的“内存使用情况”列告诉您每行完成后的内存使用情况，而不是该行期间的峰值内存使用情况。在您不保存 residuals 的版本中，该数组在该行完成之前被丢弃，因此它永远不会出现在分析器输出中。