我有一个利用神经网络和sklearn.feature_extraction.text.CountVectorizer的Python3软件。我也有很多该软件的实例（超过100个），而且我很难理解为什么每个实例都占用多达190MB的RAM，其中60MB是共享的。
虽然神经网络的内存占用量很低，但我无法理解为什么仅以下语句（以及 torch ， pandas 和 numpy < / strong>）导致软件内存使用量急剧增加。
from sklearn.feature_extraction.text import CountVectorizer
我一直在研究Python3的内存管理，堆分配和许多其他主题，但据我所知，上述声明的副作用是将sklearn.feature_extraction.text中的所有符号加载到内存中，而不仅仅是CountVectorizer类及其依赖项。
首先，我很容易想到问题是CountVectorizer的用法，因此在进行了简短的研究之后，我将其内存管理迁移到了经典的marisa_trie。经过多次测试，该过程消耗的内存是相同的，因此得出的结论是 nn 管理不是真正的问题。
我终于用 import 语句（和 guppy ）模拟了一个简单的Pyton3脚本，以跟踪其内存，我发现仅该语句会导致占用超过60MB内存的过程。
这些是我的其他进口商品：
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.onnx
from torch import optim
import marisa_trie
from sklearn.feature_extraction.text import CountVectorizer