Python 如何释放numpy处理的内存

输出：

# encoding: utf-8

import sys
import commands
import time
import gc

import numpy

process=sys.argv[0]

def get_use_memory():
    global process
    return commands.getstatusoutput('ps aux | grep "{0}" | grep -v "grep"'.format(process))

def normalize_feature(node, delete_list):
    print 'normalize_feature_step1', get_use_memory()
    normal_features = []
    for i in range(0, node.shape[0]):
        feature_numpy = node[i, :]

        feature_numpy_d = numpy.delete(feature_numpy, delete_list, axis=0)
        normal_features.append(feature_numpy_d)
        del feature_numpy
        del feature_numpy_d

    print 'normalize_feature_step2', get_use_memory()
    np_normal_features = numpy.array(normal_features)
    print sys.getsizeof(np_normal_features) / float(1024) / float(1024)
    print 'normalize_feature_step3', get_use_memory()
    del normal_features
    gc.collect()
    print 'normalize_feature_step4', get_use_memory()
    return np_normal_features

#gc.set_debug(gc.DEBUG_STATS|gc.DEBUG_LEAK)

rows=1024
columns=10240
a = []
for i in range(0, rows):
    b = []
    for j in range(0, columns):
        b.append(float(i) * j)
    a.append(b)
    del b

print get_use_memory()

node_1 = numpy.array(a)
print sys.getsizeof(node_1) / float(1024) / float(1024)
print get_use_memory()
del a
gc.collect()
print get_use_memory()

node_2 = normalize_feature(node_1, [0, 100, 1000])
print sys.getsizeof(node_2) / float(1024) / float(1024)
print get_use_memory()

del node_1
del node_2
gc.collect()
print get_use_memory()

(0, 'wangye    5319 96.5  1.0 581036 360528 pts/28  S+   11:23   0:03 python test.py')
80.0001068115
(0, 'wangye    5319  106  1.3 662964 442456 pts/28  S+   11:23   0:04 python test.py')
(0, 'wangye    5319  112  0.2 316812 98072 pts/28   S+   11:23   0:04 python test.py')
normalize_feature_step1 (0, 'wangye    5319  112  0.2 316812 98072 pts/28   S+   11:23   0:04 python test.py')
normalize_feature_step2 (0, 'wangye    5319  115  0.5 398372 179704 pts/28  S+   11:23   0:04 python test.py')
79.9766693115
normalize_feature_step3 (0, 'wangye    5319  116  0.7 480272 261596 pts/28  S+   11:23   0:04 python test.py')
normalize_feature_step4 (0, 'wangye    5319  116  0.5 398688 180148 pts/28  S+   11:23   0:04 python test.py')
79.9766693115
(0, 'wangye    5319  116  0.5 398688 180148 pts/28  S+   11:23   0:04 python test.py')
(0, 'wangye    5319  117  0.0 234864 16324 pts/28   S+   11:23   0:04 python test.py')

在规格化特征步骤3和规格化特征步骤4之间释放80M内存。因为del normal_特性发布了它的项，即numpy.ndarray。最后的内存只有16M

但当我将代码的第38行和第39行更改为： 行=10240 列=1024

输出：

# encoding: utf-8

import sys
import commands
import time
import gc

import numpy

process=sys.argv[0]

def get_use_memory():
    global process
    return commands.getstatusoutput('ps aux | grep "{0}" | grep -v "grep"'.format(process))

def normalize_feature(node, delete_list):
    print 'normalize_feature_step1', get_use_memory()
    normal_features = []
    for i in range(0, node.shape[0]):
        feature_numpy = node[i, :]

        feature_numpy_d = numpy.delete(feature_numpy, delete_list, axis=0)
        normal_features.append(feature_numpy_d)
        del feature_numpy
        del feature_numpy_d

    print 'normalize_feature_step2', get_use_memory()
    np_normal_features = numpy.array(normal_features)
    print sys.getsizeof(np_normal_features) / float(1024) / float(1024)
    print 'normalize_feature_step3', get_use_memory()
    del normal_features
    gc.collect()
    print 'normalize_feature_step4', get_use_memory()
    return np_normal_features

#gc.set_debug(gc.DEBUG_STATS|gc.DEBUG_LEAK)

rows=1024
columns=10240
a = []
for i in range(0, rows):
    b = []
    for j in range(0, columns):
        b.append(float(i) * j)
    a.append(b)
    del b

print get_use_memory()

node_1 = numpy.array(a)
print sys.getsizeof(node_1) / float(1024) / float(1024)
print get_use_memory()
del a
gc.collect()
print get_use_memory()

node_2 = normalize_feature(node_1, [0, 100, 1000])
print sys.getsizeof(node_2) / float(1024) / float(1024)
print get_use_memory()

del node_1
del node_2
gc.collect()
print get_use_memory()

(0, 'wangye    5319 96.5  1.0 581036 360528 pts/28  S+   11:23   0:03 python test.py')
80.0001068115
(0, 'wangye    5319  106  1.3 662964 442456 pts/28  S+   11:23   0:04 python test.py')
(0, 'wangye    5319  112  0.2 316812 98072 pts/28   S+   11:23   0:04 python test.py')
normalize_feature_step1 (0, 'wangye    5319  112  0.2 316812 98072 pts/28   S+   11:23   0:04 python test.py')
normalize_feature_step2 (0, 'wangye    5319  115  0.5 398372 179704 pts/28  S+   11:23   0:04 python test.py')
79.9766693115
normalize_feature_step3 (0, 'wangye    5319  116  0.7 480272 261596 pts/28  S+   11:23   0:04 python test.py')
normalize_feature_step4 (0, 'wangye    5319  116  0.5 398688 180148 pts/28  S+   11:23   0:04 python test.py')
79.9766693115
(0, 'wangye    5319  116  0.5 398688 180148 pts/28  S+   11:23   0:04 python test.py')
(0, 'wangye    5319  117  0.0 234864 16324 pts/28   S+   11:23   0:04 python test.py')

内存在规格化特征步骤3和规格化特征步骤4之间没有任何变化。最后的内存是98M

所以我想也许numpy能处理一些记忆。我想知道如何释放记忆。

---

谢谢

调用

gc.collect（）

并不意味着内存将被回收。它只是告诉gc循环使用，是否循环使用由它自己决定，所以不能直接让gc循环使用。这不是numpy的问题，而是每种拥有gc的语言的普遍问题。

只是您正在犯的一个快速错误：

(0, 'wangye    5400 99.5  1.1 604944 385888 pts/28  S+   11:25   0:03 python test.py')
80.0001068115
(0, 'wangye    5400  109  1.4 686872 467892 pts/28  S+   11:25   0:04 python test.py')
(0, 'wangye    5400  116  0.2 317024 98176 pts/28   S+   11:25   0:04 python test.py')
normalize_feature_step1 (0, 'wangye    5400  116  0.2 317024 98176 pts/28   S+   11:25   0:04 python test.py')
normalize_feature_step2 (0, 'wangye    5400  100  0.5 399592 180852 pts/28  S+   11:25   0:05 python test.py')
79.7657318115
normalize_feature_step3 (0, 'wangye    5400  101  0.8 481276 262576 pts/28  S+   11:25   0:05 python test.py')
normalize_feature_step4 (0, 'wangye    5400  101  0.7 480444 261904 pts/28  S+   11:25   0:05 python test.py')
79.7657318115
(0, 'wangye    5400  101  0.7 480444 261904 pts/28  S+   11:25   0:05 python test.py')
(0, 'wangye    5400  101  0.2 316836 98296 pts/28   S+   11:25   0:05 python test.py')

向列表中添加元素不会复制该元素，它只是向列表中添加指向该元素的指针（

is

关键字检查标识匹配）

因此，在将

a

添加到列表后执行

dela

操作时，您并没有释放

a

的内存，您只是从

a

中删除命名引用。也就是说，名为

a

的变量将不再存在，但其内容仍将保留在内存中，由

b[0]

指出

简而言之，python中的

del

语句并不等同于C/C++中的

free

。如果内存是您关心的问题，那么您根本不应该使用python，或者您应该更加小心地处理代码，但是依赖

del

不是一个选项<代码>删除不应用于这些目的

例如，当您简单地添加numpy数组时，会动态创建相同大小的临时数组来存储中间值，从而消耗比可能需要的内存更多的内存

---

numpy和python通常都是用于快速原型化的语言/库。如果您需要完全控制所使用的资源，那么应该使用C/C++（或其他编译语言）。任何解释的语言都会自动释放内存，然后存储停止被指向，但它不会是即时的，你不能依赖它。

调用gc.collect（）是什么意思？我知道。非常感谢。