哇！ 我们将继续发布一系列出版物，专门介绍
“ Python中的Web开发人员”课程的发布，现在，我们正在与您分享另一篇有趣的文章的翻译。
在Zendesk，我们使用Python创建机器学习产品。 在机器学习应用程序中，我们遇到的最常见问题之一是内存泄漏和峰值。 通常，使用分布式处理框架（例如
Hadoop ，
Spark和
AWS Batch）在容器中执行Python代码。 每个容器分配有固定数量的内存。 一旦代码执行超过指定的内存限制，容器将由于由于内存不足而发生的错误而停止工作。
您可以通过分配更多的内存来快速解决此问题。 但是，由于不可预测的内存突发，这可能导致资源浪费并影响应用程序的稳定性。 内存泄漏的原因可能
如下 ：
- 长时间存储未删除的大型对象；
- 代码中的环回链接 ；
- 基础C库/扩展导致内存泄漏；
优良作法是通过应用程序分析内存使用情况，以更好地了解代码空间和使用的包的效率。
本文讨论了以下方面：
- 随时间推移分析应用程序内存使用情况；
- 如何检查程序特定部分的内存使用情况；
- 由内存问题引起的调试错误的提示。
随着时间的推移进行内存分析您可以使用
memory-profiler包查看执行Python程序期间的可变内存使用情况。
图A.内存分析与时间的关系include-children选项将启用父进程产生的任何子进程的内存使用。 图A反映了迭代学习过程，该过程导致内存在处理训练数据包的那一刻以周期增加。 在垃圾回收期间删除对象。
如果内存使用量不断增加，则认为这是内存泄漏的潜在威胁。
这是一个反映此情况的示例代码：
图B.内存使用量随时间增加一旦内存使用超过特定阈值，就应该在调试器中设置断点。 为此，您可以使用
pdb-mmem参数 ，这在故障排除期间很方便。
在特定时间点的内存转储估计程序中大对象的预期数量以及是否应复制和/或将其转换为各种格式非常有用。
为了进一步分析内存中的对象，可以使用
muppy在程序的某些行中创建转储堆。
图C.示例转储堆转储另一个有用的内存配置文件库是
objgraph ，它允许您生成图形以检查对象的来源。
有用的指针一个有用的方法是创建一个小的“测试用例”，该用例运行适当的代码，从而导致内存泄漏。 如果完整的输入将花费很长时间来处理，请考虑使用随机选择的数据的子集。
在单独的过程中执行高内存负载的任务Python不一定会立即为操作系统释放内存。 为确保已释放内存，必须在执行一段代码后开始一个单独的过程。 您可以在
此处了解有关Python中垃圾收集器的更多信息。
调试器可以添加对对象的引用。如果使用诸如
pdb之类的断点调试器，则调试器手动引用的所有创建的对象将保留在内存中。 由于没有及时删除对象，因此会产生错误的内存泄漏感。
注意可能导致内存泄漏的软件包。Python中的某些库可能会导致泄漏，例如
pandas有几个已知的
内存泄漏问题。
寻找泄漏的好地方！
有用的链接：docs.python.org/3/c-api/memory.htmldocs.python.org/3/library/debug.html如果这篇文章对您有用，请在评论中写下。 如果您想进一步了解我们的课程，我们邀请您参加将于4月22日举行的
开放日 。