Профилирование

@profile

@profile <expression> выполняет ваше выражение, периодически делая дампы стека вызовов. Они добавляются к внутреннему буферу дампов стека.

clear()

Очистить любые существующие дампы стека из внутреннего буфера.

print([io::IO = stdout,] [data::Vector = fetch()], [lidict::Union{LineInfoDict, LineInfoFlatDict} = getdict(data)]; kwargs...)

Выводит результаты профилирования в io (по умолчанию, stdout). Если вы не предоставите вектор data, будет использован внутренний буфер накопленных дампов стека.

Ключевые аргументы могут быть любым сочетанием:

• format – Определяет, выводятся ли дампы стека с (по умолчанию, :tree) или без (:flat) отступом, указывающим структуру дерева.

• C – Если true, дампы стека из кода C и Fortran отображаются (обычно они исключаются).

• combine – Если true (по умолчанию), указатели инструкций, соответствующие одной строке кода, объединяются.

• maxdepth – Ограничивает глубину, превышающую maxdepth в формате :tree.

• sortedby – Управляет порядком в формате :flat. :filefuncline (по умолчанию) сортирует по строке исходного кода, :count сортирует по количеству собранных выборок, а :overhead сортирует по количеству выборок, выпавших на каждую функцию.

• groupby – Управляет группировкой по задачам и потокам или без группировки. Варианты: :none (по умолчанию), :thread, :task, [:thread, :task], или [:task, :thread], где последние два обеспечивают вложенную группировку.

• noisefloor – Ограничивает кадры, которые превышают эвристическое пороговое значение шума выборки (применяется только к формату :tree). Рекомендуемое значение для попытки установить — 2.0 (по умолчанию 0). Этот параметр скрывает выборки, для которых n <= noisefloor * √N, где n — количество выборок в этой строке, а N — количество выборок для вызываемого объекта.

• mincount – Ограничивает вывод только теми строками, у которых есть по крайней мере mincount вхождений.

• recur – Управляет обработкой рекурсии в формате :tree. :off (по умолчанию) выводит дерево в обычном виде. :flat вместо этого сжимает любую рекурсию (по ip), показывая приблизительный эффект преобразования любой саморекурсии в итератор. :flatc делает то же самое, но также включает сжатие кадров C (может давать странные результаты вблизи jl_apply).

• threads::Union{Int,AbstractVector{Int}} – Укажите, с каких потоков включать снимки в отчёте. Обратите внимание, что это не контролирует, на каких потоках собираются выборки (которые также могут быть собраны на другой машине).

• tasks::Union{Int,AbstractVector{Int}} – Укажите, с каких задач включать снимки в отчёте. Обратите внимание, что это не контролирует, в каких задачах собираются выборки.

print([io::IO = stdout,] data::Vector, lidict::LineInfoDict; kwargs...)

Выводит результаты профилирования в io. Этот вариант используется для проверки результатов, экспортированных предыдущим вызовом retrieve. Передайте вектор data дампов стека и словарь lidict информации о строках.

См. Profile.print([io], data) для объяснения допустимых ключевых аргументов.

init(; n::Integer, delay::Real)

Настройте интервал delay между дампами стека (в секундах) и количество n указателей инструкций, которые могут храниться на поток. Каждый указатель инструкции соответствует одной строке кода; дампы стека, как правило, содержат длинный список указателей инструкций. Обратите внимание, что 6 пространств для указателей инструкций на дамп стека используются для хранения метаданных и двух NULL-маркеров конца.

Текущие настройки можно получить, вызвав эту функцию без аргументов, и каждый параметр можно установить независимо, используя ключевые слова или в порядке (n, delay).

fetch(;include_meta = true) -> data

Возвращает копию буфера дампов стека профиля. Обратите внимание, что значения в data имеют смысл только на этой машине в текущем сеансе, потому что зависят от точных адресов памяти, используемых при JIT-компиляции. Эта функция предназначена в основном для внутреннего использования; retrieve может быть лучшим выбором для большинства пользователей. По умолчанию метаданные, такие как threadid и taskid, включены. Установите include_meta в false для удаления метаданных.

retrieve(; kwargs...) -> data, lidict

«Экспортирует» результаты профилирования в переносимом формате, возвращая набор всех дампов стека (data) и словарь, сопоставляющий (специфичные для сеанса) указатели инструкций в data с LineInfo значениями, которые хранят имя файла, имя функции и номер строки. Эта функция позволяет сохранять результаты профилирования для дальнейшего анализа.

callers(funcname, [data, lidict], [filename=<filename>], [linerange=<start:stop>]) -> Vector{Tuple{count, lineinfo}}

Учитывая предыдущую сессию профилирования, определите, кто вызвал определённую функцию. Предоставление имени файла (и, необязательно, диапазона номеров строк, в котором определяется функция) позволяет различать перегруженные методы. Возвращаемое значение — вектор, содержащий количество вызовов и информацию о строках вызывающего объекта. Необязательно можно предоставить дампы стека data , полученные из retrieve; в противном случае используется текущий внутренний буфер профиля.

clear_malloc_data()

Очищает любые сохранённые данные о распределении памяти при выполнении julia с --track-allocation. Выполните команду(ы), которые вы хотите протестировать (чтобы принудительно выполнить JIT-компиляцию), а затем вызовите clear_malloc_data. Затем снова выполните свою команду(ы), выйдите из Julia и изучите полученные файлы *.mem.

get_peek_duration()

Получить длительность в секундах «просмотра» профиля, который запускается через SIGINFO или SIGUSR1, в зависимости от платформы.

set_peek_duration(t::Float64)

Установить длительность в секундах «просмотра» профиля, который запускается через SIGINFO или SIGUSR1, в зависимости от платформы.

Profile.Allocs.@profile [sample_rate=0.0001] expr

Профилировать распределения, которые происходят во время expr, возвращая как результат, так и структуру AllocResults.

Частота 1.0 будет записывать всё; 0.0 — ничего.

julia> Profile.Allocs.@profile sample_rate=0.01 peakflops()
1.03733270279065e11

julia> results = Profile.Allocs.fetch()

julia> last(sort(results.allocs, by=x->x.size))
Profile.Allocs.Alloc(Vector{Any}, Base.StackTraces.StackFrame[_new_array_ at array.c:127, ...], 5576)

Profile.Allocs.clear()

Очистить ранее профилированную информацию о распределении из памяти.

Profile.Allocs.fetch()

Получить записанные распределения и декодировать их в объекты Julia, которые можно проанализировать.

Profile.Allocs.start(sample_rate::Real)

Начните запись распределения с заданной частотой дискретизации. Частота дискретизации 1,0 запишет все; 0,0 — ничего.

Profile.Allocs.stop()

Остановить запись распределения.