NumPy 中的内存管理#

The numpy.ndarray 是一个 Python 类。它需要额外的内存分配来保存 numpy.ndarray.stridesnumpy.ndarray.shapenumpy.ndarray.data 属性。这些属性是在 __new__ 中创建 Python 对象后专门分配的。 stridesshape 存储在内部分配的一块内存中。

用于存储实际数组值(对于 object 数组,这些值可能是指针)的 data 分配可能非常大,因此 NumPy 提供了管理其分配和释放的接口。本文档详细介绍了这些接口的工作原理。

历史概述#

从 1.7.0 版本开始,NumPy 公开了 PyDataMem_* 函数集(PyDataMem_NEWPyDataMem_FREEPyDataMem_RENEW),这些函数分别由 allocfreerealloc 支持。

从那些早期开始,Python 也改进了它的内存管理能力,并开始提供各种 管理策略,从 3.4 版本开始。这些例程被分为一组域,每个域都有一个 PyMemAllocatorEx 结构的例程用于内存管理。Python 还添加了一个 tracemalloc 模块来跟踪对各种例程的调用。这些跟踪钩子被添加到 NumPy PyDataMem_* 例程中。

NumPy 在其内部 npy_alloc_cachenpy_alloc_cache_zeronpy_free_cache 函数中添加了一个小的已分配内存缓存。这些分别包装了 allocalloc-and-memset(0)free,但是当 npy_free_cache 被调用时,它会将指针添加到一个由大小标记的可用块的短列表中。这些块可以被后续对 npy_alloc* 的调用重用,避免内存抖动。

NumPy 中的可配置内存例程 (NEP 49)#

用户可能希望用自己的例程覆盖内部数据内存例程。由于 NumPy 不使用 Python 域策略来管理数据内存,因此它提供了一组可选的 C-API 来更改内存例程。对于大块对象数据,没有 Python 域范围的策略,因此这些策略不太适合 NumPy 的需求。希望更改 NumPy 数据内存管理例程的用户可以使用 PyDataMem_SetHandler,它使用 PyDataMem_Handler 结构来保存用于管理数据内存的函数的指针。这些调用仍然被内部例程包装以调用 PyTraceMalloc_TrackPyTraceMalloc_Untrack。由于函数在进程的生命周期内可能会发生变化,因此每个 ndarray 都带有其实例化时使用的函数,这些函数将用于重新分配或释放实例的数据内存。

type PyDataMem_Handler#

一个用于保存用于操作内存的函数指针的结构体

typedef struct {
    char name[127];  /* multiple of 64 to keep the struct aligned */
    uint8_t version; /* currently 1 */
    PyDataMemAllocator allocator;
} PyDataMem_Handler;

其中分配器结构体是

/* The declaration of free differs from PyMemAllocatorEx */
typedef struct {
    void *ctx;
    void* (*malloc) (void *ctx, size_t size);
    void* (*calloc) (void *ctx, size_t nelem, size_t elsize);
    void* (*realloc) (void *ctx, void *ptr, size_t new_size);
    void (*free) (void *ctx, void *ptr, size_t size);
} PyDataMemAllocator;
PyObject *PyDataMem_SetHandler(PyObject *handler)#

设置新的分配策略。如果输入值为 NULL,将重置策略为默认值。返回之前的策略,或者如果发生错误,返回 NULL。我们包装用户提供的函数,以便它们仍然可以调用 Python 和 NumPy 内存管理回调钩子。

PyObject *PyDataMem_GetHandler()#

返回将用于为下一个 PyArrayObject 分配数据的当前策略。失败时,返回 NULL

有关设置和使用 PyDataMem_Handler 的示例,请参阅 numpy/_core/tests/test_mem_policy.py 中的测试。

如果没有设置策略,在释放时会发生什么#

一种罕见但有用的技术是在 NumPy 之外分配一个缓冲区,使用 PyArray_NewFromDescr 将缓冲区包装在 ndarray 中,然后将 OWNDATA 标志切换为 true。当 ndarray 被释放时,将从 ndarrayPyDataMem_Handler 中调用相应的函数来释放缓冲区。但 PyDataMem_Handler 字段从未设置,它将是 NULL。为了向后兼容,NumPy 将调用 free() 来释放缓冲区。如果 NUMPY_WARN_IF_NO_MEM_POLICY 设置为 1,将发出警告。当前默认情况下不发出警告,这可能会在 NumPy 的未来版本中发生变化。

更好的技术是使用 PyCapsule 作为基本对象。

/* define a PyCapsule_Destructor, using the correct deallocator for buff */
void free_wrap(void *capsule){
    void * obj = PyCapsule_GetPointer(capsule, PyCapsule_GetName(capsule));
    free(obj);
};

/* then inside the function that creates arr from buff */
...
arr = PyArray_NewFromDescr(... buf, ...);
if (arr == NULL) {
    return NULL;
}
capsule = PyCapsule_New(buf, "my_wrapped_buffer",
                        (PyCapsule_Destructor)&free_wrap);
if (PyArray_SetBaseObject(arr, capsule) == -1) {
    Py_DECREF(arr);
    return NULL;
}
...

使用 np.lib.tracemalloc_domain 进行内存跟踪的示例#

请注意,从 Python 3.6(或更高版本)开始,可以使用内置的 tracemalloc 模块跟踪 NumPy 内部分配。NumPy 将其 CPU 内存分配放置到 np.lib.tracemalloc_domain 域中。有关更多信息,请查看:https://docs.pythonlang.cn/3/library/tracemalloc.html

以下是如何使用 np.lib.tracemalloc_domain 的示例。

"""
   The goal of this example is to show how to trace memory
   from an application that has NumPy and non-NumPy sections.
   We only select the sections using NumPy related calls.
"""

import tracemalloc
import numpy as np

# Flag to determine if we select NumPy domain
use_np_domain = True

nx = 300
ny = 500

# Start to trace memory
tracemalloc.start()

# Section 1
# ---------

# NumPy related call
a = np.zeros((nx,ny))

# non-NumPy related call
b = [i**2 for i in range(nx*ny)]

snapshot1 = tracemalloc.take_snapshot()
# We filter the snapshot to only select NumPy related calls
np_domain = np.lib.tracemalloc_domain
dom_filter = tracemalloc.DomainFilter(inclusive=use_np_domain,
                                      domain=np_domain)
snapshot1 = snapshot1.filter_traces([dom_filter])
top_stats1 = snapshot1.statistics('traceback')

print("================ SNAPSHOT 1 =================")
for stat in top_stats1:
    print(f"{stat.count} memory blocks: {stat.size / 1024:.1f} KiB")
    print(stat.traceback.format()[-1])

# Clear traces of memory blocks allocated by Python
# before moving to the next section.
tracemalloc.clear_traces()

# Section 2
#----------

# We are only using NumPy
c = np.sum(a*a)

snapshot2 = tracemalloc.take_snapshot()
top_stats2 = snapshot2.statistics('traceback')

print()
print("================ SNAPSHOT 2 =================")
for stat in top_stats2:
    print(f"{stat.count} memory blocks: {stat.size / 1024:.1f} KiB")
    print(stat.traceback.format()[-1])

tracemalloc.stop()

print()
print("============================================")
print("\nTracing Status : ", tracemalloc.is_tracing())

try:
    print("\nTrying to Take Snapshot After Tracing is Stopped.")
    snap = tracemalloc.take_snapshot()
except Exception as e:
    print("Exception : ", e)