Профилирование

@profile

@profile <expression> выполняет ваше выражение, периодически делая снимки стека вызовов. Они добавляются во внутренний буфер снимков стека вызовов.

clear()

Очистить все существующие снимки стека вызовов из внутреннего буфера.

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

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

Ключевые аргументы могут быть любой комбинацией:

• format – Определяет, будут ли снимки стека вызовов печататься с (по умолчанию, :tree) или без (:flat) отступов, указывающих структуру дерева.

• C – Если true, снимки стека вызовов из кода C и Fortran будут отображаться (обычно они исключаются).

• combine – Если true (по умолчанию), указатели команд объединяются, которые соответствуют одной и той же строке кода.

• maxdepth – Ограничивает глубину более 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, приходящихся 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 эвристическую пороговую шум в выборке (применимо только к формату :tree). Рекомендуемое значение для попытки – 2.0 (по умолчанию 0). Этот параметр скрывает выборки, для которых n <= noisefloor * √N, где n - число выборок в данной строке, а N - число выборок для вызываемой функции.

• mincount – Ограничивает вывод только теми строками, которые встречаются как минимум mincount раз.

• recur – Управляет обработкой рекурсии в формате :tree. :off (по умолчанию) печатает дерево в обычном режиме. :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 C-кадров (может делать странные вещи вокруг jl_apply).

• threads::Union{Int,AbstractVector{Int}} – Укажите, из снимков каких потоков включать информацию в отчёт. Обратите внимание, что это не управляет тем, в каких потоках собираются выборки (которые также могли быть собраны на другом компьютере).

• tasks::Union{Int,AbstractVector{Int}} – Укажите, из снимков каких задач включать информацию в отчёт. Обратите внимание, что это не управляет тем, в каких задачах собираются выборки.

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

Печатает результаты профилирования в io. Этот вариант используется для анализа результатов, экспортированных предыдущим вызовом retrieve. Укажите вектор data снимков стека вызовов и словарь lidict с информацией о строках.

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

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

Настройте delay между снимками стека вызовов (в секундах) и число n указателей инструкций, которые могут храниться в каждом потоке. Каждый указатель инструкции соответствует отдельной строке кода; снимки стека вызовов, как правило, содержат длинный список указателей инструкций. Обратите внимание, что для хранения метаданных используется 6 пробелов для указателей инструкций в каждом снимке стека вызовов и два маркера NULL.

fetch(;include_meta = true) -> data

Возвращает копию буфера профильных снимков стека вызовов. Обратите внимание, что значения в data имеют смысл только на этом компьютере в текущей сессии, поскольку они зависят от точных адресов памяти, используемых в JIT-компиляции. Эта функция в основном предназначена для внутреннего использования; retrieve может быть лучшим выбором для большинства пользователей. По умолчанию включаются метаданные, такие как threadid и taskid. Установите include_meta в false для удаления метаданных.

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

«Экспортирует» результаты профилирования в переносимом формате, возвращая набор всех снимков стека вызовов (data) и словарь, который сопоставляет (специфичные для сессии) указатели инструкций в data с LineInfo значениями, которые хранят имя файла, имя функции и номер строки. Эта функция позволяет сохранить результаты профилирования для дальнейшего анализа.

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

Учитывая предыдущий запуск профилирования, определите, кто вызвал конкретную функцию. Предоставление имени файла (и необязательно диапазона номеров строк, на которых определена функция) позволяет устранить неоднозначность перегруженных методов. Возвращаемое значение – вектор, содержащий количество вызовов и информацию о строке вызывающей функции. Необязательно можно указать снимки стека вызовов data, полученные из retrieve; в противном случае используется текущий внутренний буфер профиля.

clear_malloc_data()

Очищает любые сохранённые данные об выделении памяти при запуске julia с --track-allocation. Выполните команду(ы), которую нужно протестировать (чтобы принудительно заставить JIT-компиляцию), затем вызовите clear_malloc_data. Затем выполните команду(ы) ещё раз, выйдите из Julia и просмотрите получившиеся файлы *.mem

get_peek_duration()

Получить продолжительность профилирования «взмаха», который запускается посредством SIGINFO или SIGUSR1, в зависимости от платформы.

set_peek_duration(t::Float64)

Установить продолжительность профилирования «взмаха», который запускается посредством SIGINFO или SIGUSR1, в зависимости от платформы.

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

Профилирует выделения памяти, которые происходят во время expr, возвращая как результат, так и структуру AllocResults.

Скорость выборки 1.0 запишет 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)

Лучший способ визуализации в настоящее время – с помощью пакета PProf.jl, вызвав PProf.Allocs.pprof.

Profile.Allocs.clear()

Очистить все ранее профилированные данные об выделениях из памяти.

Profile.Allocs.fetch()

Получить записанные данные об выделениях и декодировать их в объекты Julia, которые можно проанализировать.

Profile.Allocs.start(sample_rate::Real)

Начать запись распределения памяти с заданной частотой дискретизации. Частота дискретизации 1.0 запишет всё; 0.0 — ничего.

Profile.Allocs.stop()

Остановить запись распределения памяти.

Profile.take_heap_snapshot(io::IOStream, all_one::Bool=false)
Profile.take_heap_snapshot(filepath::String, all_one::Bool=false)
Profile.take_heap_snapshot(all_one::Bool=false)

Создать снимок кучи в формате JSON, ожидаемом просмотрщиком снимков кучи Chrome Devtools (.heapsnapshot), в файл ($pid_$timestamp.heapsnapshot) в текущем каталоге, или заданном пути к файлу, или потоке ввода-вывода. Если all_one равно true, то размер каждого объекта будет представлен единицей, что позволит их легко подсчитать. В противном случае будет указан фактический размер.