désimporter un module, import local, liberation mémoire

Bonjour,

Je cherche un moyen d'importer un module juste quand j'en ai besoin puis de le désimporter dès que je m'en suis servi.
Par exemple, numpy prend 365 Mo en RAM dès qu'on l'importe. J'aimerai bien pouvoir libérer cette mémoire dès que j'ai fini de m'en servir.

J'ai essayé 'del', mais ça fait rien, j'ai donc essayé de forcer le ramasse-miette à faire le ménage mais il nettoie pas les modules...
J'ai essayé '__import__' dans une fonction mais quand on sort de la fonction, le module reste importé.
J'ai regardé du coté 'importlib' mais j'ai pas réussi non plus...

Un exemple de ce que j'aimerai réussir à faire:

Code:

---

1 2 3 4 5 6 7 8 9

>>> def foo(arg): ... """Fonction qui utilise potentielement un module lourd.""" ... if arg: ... module = __import__("numpy") ... ... # Utilisation du module ... # Suppression du module, libération de la mémoire (A) >>> foo(1) # (B) >>> # A cet endroit, je veux que la mémoire soit libérée, que se soit en (A) ou par le ramasse-miette en (B).

---

Est-ce que vous avez des pistes?

Salut,

A priori un module est un objet comme un autre, tant qu'il a des référence, il ne pourra pas être "détruit" au sens "garbage collector"... Ce qui veut dire que la mémoire alloué ne sera pas rendue mais utilisable pour d'autres objets.

Ceci dit, sur un environnement système à mémoire virtuelle, la taille de la mémoire virtuelle et la mémoire vive (la RAM) ne sont pas gérées de la même façon: la RAM alloué à un processus correspond aux pages physiques nécessaires à l'exécution du code.
Lorsqu'elles ne sont plus utilisées depuis un certain temps et que le système a besoin de RAM, il va la réclamer aux différents processus (en sauvegardant leur état si nécessaire sur ce qu'on appelle des fichiers de pagination).

Et lorsqu'il n'y a plus assez de mémoire physique, le système passe son temps à réclamer la mémoire, les disques tournent (s'ils sont mécaniques) , çà chauffe et çà rame. Ajouter de la mémoire, lancer moins de processus, avoir des disques plus rapides,... sont les seules solutions.

- W

hello,

Citation:

---

Envoyé par robinechuca

Par exemple, numpy prend 365 Mo en RAM dès qu'on l'importe. J'aimerai bien pouvoir libérer cette mémoire dès que j'ai fini de m'en servir.

---

cela m'étonne un peu car chez moi le module numpy prends 11.418 Mo (windows 10 python 3.9). Quel O.S et quelle version de python utilises-tu ? Comment effectues-tu tes mesures ?
Moi j'ai utilisé le module memory-profiler présent dans Pypi
Voici mon code :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

@profile def my_test(): import numpy a = numpy.arange(100000000.0)   @profile def my_mem(): print('fintest')     print('debtest') my_test() my_mem()

---

et voici le résultat :

Citation:

---

d:\dev\python\eric_env\scripts\python.exe -m memory_profiler testMemNumPy.py
debtest
fintest
Filename: testMemNumPy.py


Line # Mem usage Increment Occurences Line Contents
============================================================
1 19.805 MiB 19.805 MiB 1 @profile
2 def my_test():
3 31.223 MiB 11.418 MiB 1 import numpy
4 794.176 MiB 762.953 MiB 1 a = numpy.arange(100000000.0)




Filename: testMemNumPy.py


Line # Mem usage Increment Occurences Line Contents
============================================================
6 31.234 MiB 31.234 MiB 1 @profile
7 def my_mem():
8 31.234 MiB 0.000 MiB 1 print('fintest')

---

Ami calmant, J.P

Merci pour ces réponses.

Citation:

---

tant qu'il a des référence, il ne pourra pas être "détruit"

---

C'est pour cela que j'ai d'abord utiliser "del" sur la variable référencée pour supprimer les références.
Dans l'exemple que j'ai propose, quand on sort de la fonction "foo", la variable 'module' n'est plus référencée. Mais apparemment il reste une référence quelque part. Mais ou? Et comment aller supprimer cette référence cachée?

Citation:

---

Quel O.S et quelle version de python utilises-tu ?

---

Je suis sur linux mint 64 bit, j'utilise python3.8.5, j'ai 2 Go de RAM et 120 Go de swap.

Citation:

---

Comment effectues-tu tes mesures ?

---

Avec le "monitor-system" graphique de base. Quand je lance python à vide dans le terminal il prend 22.3 MiB, des que j'importe numpy il prend 387.3 MiB tandis qu'avec le module math par exemple, cela ne change pas.

Je n'arrive pas à exécuter votre code, voici le résultat:

Citation:

---

>>> my_test()
ERROR: Could not find file <stdin>
>>> my_mem()
ERROR: Could not find file <stdin>
fintest
>>>

---

Salut,

Citation:

---

Envoyé par robinechuca

Dans l'exemple que j'ai propose, quand on sort de la fonction "foo", la variable 'module' n'est plus référencée. Mais apparemment il reste une référence quelque part. Mais ou? Et comment aller supprimer cette référence cachée?

---

Compter les références....
Sinon cherchez un peu sur Internet, vous tomberiez sur des articles comme celui-ci qui vous montrent que ce n'est pas si simple.

- W

hello,

Citation:

---

Envoyé par robinechuca

Je n'arrive pas à exécuter votre code,

---

c'est bizarre car je viens d'essayer le code sous ubuntu 20.04 et cela fonctionne. Mint est basé sur Ubuntu. J'ai installé memory-profiler par pip. A noter que l'on voit des >>> sur le résultat de ta commande comme si tu utilisais l'interpréteur et pas le lancement par la commande python avec le nom du fichier.
Voici ce que j'obtiens quand je lance la commande dans un terminal :

Citation:

---

lcm@lcm-Desktop:~$ python3 --version
Python 3.8.5
lcm@lcm-Desktop-:~$ lsb_release -a
No LSB modules are available.
Distributor ID: Ubuntu
Description: Ubuntu 20.04.1 LTS
Release: 20.04
Codename: focal
lcm@lcm-Desktop-:~$ python3 -m memory_profiler testMemNumPy.py
debtest
fintest
Filename: testMemNumPy.py


Line # Mem usage Increment Occurences Line Contents
============================================================
1 18.281 MiB 18.281 MiB 1 @profile
2 def my_test():
3 32.625 MiB 14.344 MiB 1 import numpy
4 795.910 MiB 763.285 MiB 1 a = numpy.arange(100000000.0)




Filename: testMemNumPy.py


Line # Mem usage Increment Occurences Line Contents
============================================================
6 33.223 MiB 33.223 MiB 1 @profile
7 def my_mem():
8 33.223 MiB 0.000 MiB 1 print('fintest')




lcm@lcm-Desktop:~$

---

numpy occupe 14,344 Mo quand on le charge.


Ami calmant, J.P

Bonjour

Citation:

---

Envoyé par robinechuca

Je suis sur linux mint 64 bit

---

Ah, mint. Il commence à faire parler de lui, avec de bons retours. Je l'ai téléchargé mais pas encore testé (version xfce)

Citation:

---

Envoyé par robinechuca

j'utilise python3.8.5, j'ai 2 Go de RAM et 120 Go de swap.

---

60 fois la RAM en espace de swap 8O
A une époque on conseillait 2x la ram. Maintenant certains préconisent 1x la ram (surtout pour un linux quoi). Tu veux faire tourner quoi avec 120Go de swap ? Flight Simulator 3D ???
De toute façon 60x la ram c'est démesuré. Si ton OS passe tout son temps à swapper il ne travaille plus !!!

Citation:

---

Envoyé par robinechuca

Je n'arrive pas à exécuter votre code, voici le résultat:

---

Il faut le mettre dans un fichier "toto.py" et lancer la commande python3 -m memory_profile toto.py depuis le shell. Voici ce que ça donne chez-moi

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

debtest fintest Filename: essai.py   Line # Mem usage Increment Occurences Line Contents ============================================================ 1 18.477 MiB 18.477 MiB 1 @profile 2 def my_test(): 3 31.859 MiB 13.383 MiB 1 import numpy 4 794.750 MiB 762.891 MiB 1 a = numpy.arange(100000000.0)     Filename: essai.py   Line # Mem usage Increment Occurences Line Contents ============================================================ 6 32.012 MiB 32.012 MiB 1 @profile 7 def my_mem(): 8 32.012 MiB 0.000 MiB 1 print('fintest')

---

Donc 13.3Mo pour numpy. Et effectivement le module math (j'ai rajouté un test là dessus) ne fait pas monter la chose.

Citation:

---

Envoyé par robinechuca

Avec le "monitor-system" graphique de base.

---

Mouais. Lui il regarde tout ton OS, pas que ton code. Dans ce genre de tests, plus c'est affiné vers le code mieux cela vaut...

En exécutant depuis un fichier, cela fonctionne:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

debtest Filename: test.py   Line # Mem usage Increment Occurences Line Contents ============================================================ 3 17.3 MiB 17.3 MiB 1 @profile 4 def my_test(): 5 31.6 MiB 14.3 MiB 1 import numpy 6 794.9 MiB 763.3 MiB 1 a = numpy.arange(100000000.0)     fintest Filename: test.py   Line # Mem usage Increment Occurences Line Contents ============================================================ 8 32.1 MiB 32.1 MiB 1 @profile 9 def my_mem(): 10 32.1 MiB 0.0 MiB 1 print('fintest')

---

Effectivement vu d'ici numpy ne semble pas si consommateur que ça en RAM. Néanmoins, on remarque que 'a' est mangé par le ramasse miette mais pas 'numpy'. Ça confirme juste le problème, et ca montre qu'il est finalement pas si gros. Mais d’où peut venir cette différence de mémoire indiquée entre le monitor-system est ce que python crois utiliser? Je suis en ssh, peut-être que ça joue? Mais peut importe, disons que je souhaite a tout prix libérer les 14 Mo de numpy.

En suivant le guide de 'wiztricks', je supprime aussi la référence cachée ici: "sys.modules["numpy"]"
voici le resultat:

Code:

---

1 2 3 4 5

9 def my_mem(): 10 32.4 MiB 0.0 MiB 1 import sys 11 32.4 MiB 0.0 MiB 1 del sys.modules["numpy"] 12 32.4 MiB 0.0 MiB 1 print('fintest')

---

Bref ça change rien, il y a toujours une référence de numpy quelque part...

J'ai aussi essayé une solution très salle:

Code:

---

1 2 3 4 5 6 7 8

>>> import importlib >>> import numpy >>> with open("numpy.py", "w") as f: ... f.write("# module vide\n") ... 14 >>> importlib.reload(numpy)

---

Le problème persiste toujours!

Citation:

---

Tu veux faire tourner quoi avec 120Go de swap?

---

Matlab avec ces fuites mémoire (record personnel de 80 Go de ram prise...), et des simulations avec python...

Citation:

---

ton OS passe tout son temps à swapper il ne travaille plus

---

J'ai un disque plutôt rapide et un cpu tellement lent (intel centrino) que je perds environ un facteur 12 de vitesse seulement quand je swap. Je préfère laguer que planter.

N'y aurait-il pas moyen d'importer numpy dans un environnement étanche, pour qu'il ne fasse pas des références dans tous les sens?

J'ai trouvé une semi-solution moche:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

from memory_profiler import profile import sys   class Importateur: def __init__(self, modulename): self.modulename = modulename self.old_refs = set(sys.modules.keys()) self.module = __import__(self.modulename) self.new_refs = set(sys.modules.keys())   def __enter__(self): return self.module   def __exit__(self, *args): for modname in self.new_refs - self.old_refs: del sys.modules[modname]   @profile def my_test(): with Importateur("numpy") as numpy: a = numpy.arange(100000000.0)   @profile def my_mem(): print("termine")   my_test() my_mem()

---

Mais cela ne libère pas toute la mémoire prise et c'est risqué car si entre le __enter__ et le __exit__ un module est importé et qu'il utilise des références déjà présentes, il risque de planter plus tard... Pas top quoi!