Question

以下从C ++调用python函数的最小示例在我的系统上有内存泄漏：

script.py：

import tensorflow
def foo(param):
    return "something"

main.cpp：

#include "python3.5/Python.h"

#include <iostream>
#include <string>

int main()
{
    Py_Initialize();

    PyRun_SimpleString("import sys");
    PyRun_SimpleString("if not hasattr(sys,'argv'): sys.argv = ['']");
    PyRun_SimpleString("sys.path.append('./')");

    PyObject* moduleName = PyUnicode_FromString("script");
    PyObject* pModule = PyImport_Import(moduleName);
    PyObject* fooFunc = PyObject_GetAttrString(pModule, "foo");
    PyObject* param = PyUnicode_FromString("dummy");
    PyObject* args = PyTuple_Pack(1, param);
    PyObject* result = PyObject_CallObject(fooFunc, args);

    Py_CLEAR(result);
    Py_CLEAR(args);
    Py_CLEAR(param);
    Py_CLEAR(fooFunc);
    Py_CLEAR(pModule);
    Py_CLEAR(moduleName);

    Py_Finalize();
}

用

编译

g++ -std=c++11 main.cpp $(python3-config --cflags) $(python3-config --ldflags) -o main

并使用valgrind

运行

valgrind --leak-check=yes ./main

产生以下摘要

LEAK SUMMARY:
==24155==    definitely lost: 161,840 bytes in 103 blocks
==24155==    indirectly lost: 33 bytes in 2 blocks
==24155==      possibly lost: 184,791 bytes in 132 blocks
==24155==    still reachable: 14,067,324 bytes in 130,118 blocks
==24155==                       of which reachable via heuristic:
==24155==                         stdstring          : 2,273,096 bytes in 43,865 blocks
==24155==         suppressed: 0 bytes in 0 blocks

我正在使用Linux Mint 18.2 Sonya，g++ 5.4.0，Python 3.5.2和TensorFlow 1.4.1。

删除import tensorflow会使泄漏消失。这是TensorFlow中的错误还是我做错了什么？（我希望后者是真的。）

此外，当我在Python中创建Keras层时

#script.py
from keras.layers import Input
def foo(param):
    a = Input(shape=(32,))
    return "str"

并重复从C ++运行Python调用

//main.cpp

#include "python3.5/Python.h"

#include <iostream>
#include <string>

int main()
{
    Py_Initialize();

    PyRun_SimpleString("import sys");
    PyRun_SimpleString("if not hasattr(sys,'argv'): sys.argv = ['']");
    PyRun_SimpleString("sys.path.append('./')");

    PyObject* moduleName = PyUnicode_FromString("script");
    PyObject* pModule = PyImport_Import(moduleName);

    for (int i = 0; i < 10000000; ++i)
    {
        std::cout << i << std::endl;
        PyObject* fooFunc = PyObject_GetAttrString(pModule, "foo");
        PyObject* param = PyUnicode_FromString("dummy");
        PyObject* args = PyTuple_Pack(1, param);
        PyObject* result = PyObject_CallObject(fooFunc, args);

        Py_CLEAR(result);
        Py_CLEAR(args);
        Py_CLEAR(param);
        Py_CLEAR(fooFunc);
    }

    Py_CLEAR(pModule);
    Py_CLEAR(moduleName);

    Py_Finalize();
}

应用程序的内存消耗在运行时不断增长。

所以我猜我从C ++调用python函数的方式存在根本性的错误，但是它是什么？

Answer 1

有两种不同的类型＆＃34;内存泄漏＆＃34;在你的问题中。

Valgrind告诉你第一类内存泄漏。但是，对于python模块而言，通常会出现＆＃34; leak＆＃34;内存 - 大多数是在加载模块时分配/初始化的全局变量。而且因为模块在Python中只加载一次，所以这不是一个大问题。

一个众所周知的例子是numpy的PyArray_API：它必须通过_import_array初始化，然后永远不会删除并保留在内存中，直到python解释器关闭。

所以这是＆＃34;内存泄漏＆＃34;根据设计，你可以争论它是否是一个好的设计，但在一天结束时你无能为力。

我对张量流模块没有足够的洞察力来确定发生此类内存泄漏的位置，但我很确定你不应该担心它。< / p>

第二个＆＃34;内存泄漏＆＃34;更微妙。

当您比较循环的10^4和10^5迭代的valgrind输出时，您可以获得领先优势 - 几乎没有差别！然而，峰值内存消耗存在差异。

与C ++不同，Python有一个垃圾收集器 - 所以你无法知道对象何时被破坏。 CPython使用引用计数，因此当引用计数为0时，对象将被销毁。但是，当存在引用循环时（例如，对象A包含对象B的引用而对象B包含对象B的引用），则不是那么简单：垃圾收集器需要遍历所有对象以找到不再使用的循环。

有人可能会想，keras.layers.Input在某个地方有这样一个循环（这是真的），但这并不是导致内存泄漏的原因，这也是纯粹的蟒。

我们使用objgraph - 包来检查引用，让我们运行以下python脚本：

#pure.py
from keras.layers import Input
import gc
import sys
import objgraph


def foo(param):
    a = Input(shape=(1280,))
    return "str"

###  MAIN :

print("Counts at the beginning:")
objgraph.show_most_common_types()
objgraph.show_growth(limit=7) 

for i in range(int(sys.argv[1])):
   foo(" ")

gc.collect()# just to be sure

print("\n\n\n Counts at the end")
objgraph.show_most_common_types()
objgraph.show_growth(limit=7)

import random
objgraph.show_chain(
   objgraph.find_backref_chain(
        random.choice(objgraph.by_type('Tensor')), #take some random tensor
         objgraph.is_proper_module),
    filename='chain.png')

并运行它：

>>> python pure.py 1000

我们可以看到以下内容：最后确实有1000个Tersors，这意味着我们创建的所有对象都没有被处理掉！

如果我们看一下使张量对象保持活跃的链（用objgraph.show_chain创建），我们就看到了：

有一个tensorflow-Graph-object，其中所有张量都已注册并保持不变直到session关闭。

到目前为止，这个理论更为明智：

#close session and free resources:
import keras
keras.backend.get_session().close()#free all resources

print("\n\n\n Counts after session.close():")
objgraph.show_most_common_types()

也不是here建议的解决方案：

with tf.Graph().as_default(), tf.Session() as sess:
   for step in range(int(sys.argv[1])):
     foo(" ")

已经适用于当前的tensorflow版本。这可能是bug。

简而言之：你的c ++代码中没有任何错误，你不负责任何内存泄漏。事实上，如果你一遍又一遍地从纯python脚本中调用函数foo，你会看到完全相同的内存消耗。

所有已创建的Tensors都在Graph-object中注册，并且不会自动发布，您必须通过关闭后端会话来释放它们 - 但是由于当前tensorflow版本中的错误而无法工作1.4.0。

从C ++

1 个答案: