cymem

cymem

Cython项目的智能内存管理工具

cymem为Cython项目提供了两个简洁的内存管理助手,实现了内存与Python对象生命周期的智能绑定。其核心Pool类封装了calloc函数,适用于复杂的深度嵌套结构。通过自动内存释放机制,cymem有效防止内存泄漏,简化了开发流程,提升了Cython项目的性能和可靠性。

cymemCython内存管理PythonPoolGithub开源项目

<a href="https://explosion.ai"><img src="https://yellow-cdn.veclightyear.com/835a84d5/aaeb809f-625e-4089-9d87-7479468bfbb3.svg" width="125" height="125" align="right" /></a>

cymem: Cython内存辅助工具

cymem为Cython提供了两个小型内存管理辅助工具。它们可以轻松地将内存与Python对象的生命周期绑定,使得当对象被垃圾回收时,内存也会被释放。

测试 pypi版本 conda版本 Python轮子

概述

最有用的是cymem.Pool,它作为calloc函数的一个薄包装器:

from cymem.cymem cimport Pool cdef Pool mem = Pool() data1 = <int*>mem.alloc(10, sizeof(int)) data2 = <float*>mem.alloc(12, sizeof(float))

Pool对象在内部保存内存地址,并在对象被垃圾回收时释放它们。通常,你会将Pool附加到某个cdef'd类上。这对于具有复杂初始化函数的深度嵌套结构特别方便。只需将Pool对象传入初始化器,你就不必担心释放结构体了 —— 所有对Pool.alloc的调用都会在Pool过期时自动释放。

安装

通过pip安装,并需要Cython。在安装之前,请确保你的pipsetuptoolswheel是最新的。

pip install -U pip setuptools wheel pip install cymem

使用案例:结构体数组

假设我们需要一系列稀疏矩阵。我们需要快速访问,而Python列表的性能不够好。因此,我们想要一个C数组或C++向量,这意味着稀疏矩阵需要是C级别的结构体 —— 它不能是Python类。我们可以在Cython中轻松地编写这个:

"""不使用Cymem的示例 要使用结构体数组,我们必须在释放时仔细遍历数据结构。 """ from libc.stdlib cimport calloc, free cdef struct SparseRow: size_t length size_t* indices double* values cdef struct SparseMatrix: size_t length SparseRow* rows cdef class MatrixArray: cdef size_t length cdef SparseMatrix** matrices def __cinit__(self, list py_matrices): self.length = 0 self.matrices = NULL def __init__(self, list py_matrices): self.length = len(py_matrices) self.matrices = <SparseMatrix**>calloc(len(py_matrices), sizeof(SparseMatrix*)) for i, py_matrix in enumerate(py_matrices): self.matrices[i] = sparse_matrix_init(py_matrix) def __dealloc__(self): for i in range(self.length): sparse_matrix_free(self.matrices[i]) free(self.matrices) cdef SparseMatrix* sparse_matrix_init(list py_matrix) except NULL: sm = <SparseMatrix*>calloc(1, sizeof(SparseMatrix)) sm.length = len(py_matrix) sm.rows = <SparseRow*>calloc(sm.length, sizeof(SparseRow)) cdef size_t i, j cdef dict py_row cdef size_t idx cdef double value for i, py_row in enumerate(py_matrix): sm.rows[i].length = len(py_row) sm.rows[i].indices = <size_t*>calloc(sm.rows[i].length, sizeof(size_t)) sm.rows[i].values = <double*>calloc(sm.rows[i].length, sizeof(double)) for j, (idx, value) in enumerate(py_row.items()): sm.rows[i].indices[j] = idx sm.rows[i].values[j] = value return sm cdef void* sparse_matrix_free(SparseMatrix* sm) except *: cdef size_t i for i in range(sm.length): free(sm.rows[i].indices) free(sm.rows[i].values) free(sm.rows) free(sm)

我们将数据结构包装在一个Python引用计数类中,尽可能低级,以满足我们的性能需求。这允许我们在Cython的__cinit____dealloc__特殊方法中分配和释放内存。

然而,在编写__dealloc__sparse_matrix_free函数时很容易出错,导致内存泄漏。cymem可以让你完全避免编写这些析构函数。相反,你可以这样写:

"""使用Cymem的示例 内存分配隐藏在Pool类后面,它记住了它分配的地址。当Pool对象被垃圾回收时, 它分配的所有地址都会被释放。 我们不需要编写MatrixArray.__dealloc__或sparse_matrix_free, 从而消除了一类常见的错误。 """ from cymem.cymem cimport Pool cdef struct SparseRow: size_t length size_t* indices double* values cdef struct SparseMatrix: size_t length SparseRow* rows cdef class MatrixArray: cdef size_t length cdef SparseMatrix** matrices cdef Pool mem def __cinit__(self, list py_matrices): self.mem = None self.length = 0 self.matrices = NULL def __init__(self, list py_matrices): self.mem = Pool() self.length = len(py_matrices) self.matrices = <SparseMatrix**>self.mem.alloc(self.length, sizeof(SparseMatrix*)) for i, py_matrix in enumerate(py_matrices): self.matrices[i] = sparse_matrix_init(self.mem, py_matrix) cdef SparseMatrix* sparse_matrix_init_cymem(Pool mem, list py_matrix) except NULL: sm = <SparseMatrix*>mem.alloc(1, sizeof(SparseMatrix)) sm.length = len(py_matrix) sm.rows = <SparseRow*>mem.alloc(sm.length, sizeof(SparseRow)) cdef size_t i, j cdef dict py_row cdef size_t idx cdef double value for i, py_row in enumerate(py_matrix): sm.rows[i].length = len(py_row) sm.rows[i].indices = <size_t*>mem.alloc(sm.rows[i].length, sizeof(size_t)) sm.rows[i].values = <double*>mem.alloc(sm.rows[i].length, sizeof(double)) for j, (idx, value) in enumerate(py_row.items()): sm.rows[i].indices[j] = idx sm.rows[i].values[j] = value return sm

Pool类所做的就是记住它分配的地址。当MatrixArray对象被垃圾回收时,Pool对象也会被垃圾回收,这会触发对Pool.__dealloc__的调用。然后Pool释放它的所有地址。这使你不必回溯嵌套的数据结构来释放它们,从而消除了一类常见的错误。

自定义分配器

有时外部C库使用私有函数来分配和释放对象,但我们仍然希望使用Pool的惰性特性。

from cymem.cymem cimport Pool, WrapMalloc, WrapFree cdef Pool mem = Pool(WrapMalloc(priv_malloc), WrapFree(priv_free))

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多