裝飾器是 python 上下文管理器的特定實現(xiàn)。本片文章將通過一個pytorch  GPU 調(diào)試的示例來說明如何使用它們。雖然它可能不適用于所有情況，但我它們卻是非常有用。

調(diào)試內(nèi)存泄漏問題

有很多方法可以調(diào)試內(nèi)存泄漏。本文將展示一種識別代碼中有問題的行的有用方法。該方法可以有助于以簡潔的方式找到具體的位置。

逐行手動調(diào)試

如果遇到問題，一種經(jīng)典的且常用的方法是使用調(diào)試器逐行檢查，比如下面的例子：

• 在搜索引擎查找有關(guān)如何計算 pytorch 中所有張量總數(shù)的代碼片段，比如：tensor-counter-snippet
• 在代碼中設(shè)置斷點
• 使用tensor-counter-snippet來獲得張量的總數(shù)統(tǒng)計
• 使用調(diào)試器執(zhí)行下一步操作
• 重新運(yùn)行 tensor-counter-snippet，并檢查張量計數(shù)是否增加
• 重復(fù)上面的步驟

它可以工作，但這樣的操作光聽起來來就很麻煩。我們可以將其封裝成一個函數(shù)，這樣可以在需要的時候調(diào)用，這樣幾乎不需要修改現(xiàn)有的代碼，所以就引出了我們要介紹裝飾器的功能。

Python 裝飾器

裝飾器可以包裝在代碼的任意部分。這里我們通過裝飾器來完成檢查是否有額外的張量 ，除此以外我們還需要一個計數(shù)器，因為需要在執(zhí)行之前和之后計算張量的數(shù)量。該模式如下所示：

def memleak_wrapper(func):
    def wrap(*args, **kwargs):
        print("num tensors start is ...")
        out = func(*args, **kwargs)
        print("num tensors end is ...")
        return out
    return wrap@memleak_wrapper
 def function_to_debug(x):
    print(f"put line(s) of code here. Input is {x}")
    out = x + 10
    return outout = function_to_debug(x=1000)
 print(f"out is {out}")
 
 #輸入類似這樣
 #num tensors start is ...
 #put line(s) of code here. Input is 1000
 #num tensors end is ...
 #outis 1010

要運(yùn)行這個代碼，我們就需要將要檢查的代碼行放入函數(shù) (function_to_debug)。但是這不是最好的，因為我們還需要手動插入很多代碼。另外就是如果代碼塊生成的變量多于一個，還需要尋找額外的解決方案來使用這些下游變量。

上下文裝飾器

為了解決上面問題，我們的可以使用上下文管理器來代替函數(shù)裝飾器。上下文管理器最廣泛使用的示例是使用 with 語句實例化上下文。以前最常見的就是：

with open("file") as f:
  …

使用Python的contextlib庫，Python用戶可以輕松地自己創(chuàng)建上下文管理器。所以本文中我們將使用ContextDecorator完成在上面嘗試使用decorator所做的工作。因為它但更容易開發(fā)，也更容易使用：

 from contextlib import ContextDecorator
 
 class check_memory_leak_context(ContextDecorator):
    def __enter__(self):
        print('Starting')
        return self
 
    def __exit__(self, *exc):
        print('Finishing')
        return False

ContextDecorator 有2 個方法：enter() 和 exit() ，當(dāng)我們進(jìn)入或退出上下文時會調(diào)用它們。__exit__ 中的 *exc 參數(shù)代表任何傳入的異常。

現(xiàn)在我們來使用它解決上面說的問題。

使用 ContextDecorator 找出內(nèi)存泄漏

因為要計算張量的總數(shù)，所以我們將計算過程封裝成一個函數(shù) get_n_tensors() ，這樣可以在上下文開始和結(jié)束時來計算張量數(shù)量：

class check_memory_leak_context(ContextDecorator):
    def __enter__(self):
        self.start = get_n_tensors()
        return self   def __exit__(self, *exc):
        self.end = get_n_tensors()
        increase = self.end — self.start
         
        if increase > 0:
              print(f”num tensors increased with"\
                    f"{self.end — self.start} !”)
        else:
              print(”no added tensors”)
        return False

如果有增加，則將其打印到控制臺。

get_n_tensor()使用垃圾收集器(gc)，是為pytorch定制的，但可以很容易地修改為其他的庫:

 import gc
 def get_n_tensors():
    tensors= []
    for obj in gc.get_objects():
    try:
        if (torch.is_tensor(obj) or
        (hasattr(obj, ‘data’) and
        torch.is_tensor(obj.data))):
            tensors.append(obj)
      except:
          pass
      return len(tensors)

現(xiàn)在就可以使用了，我們對任何一行(或塊)代碼使用這個上下文:

 x = arbitrary_operation(x)
 ...
 with check_memory_leak_context():
    y = x[0].permute(1, 2, 0).cpu().detach().numpy()
    x = some_harmless_operation()
 ...
 x = another_arbitrary_operation(x)

如果上下文修飾器包裝的行內(nèi)創(chuàng)建了一個新的張量，它就會打印出來。

總結(jié)

這是一個非常好的代碼片段，你可以在開發(fā)過程中把它放在一個單獨的文件中，下面是本文的完整代碼：

https://gist.github.com/MarkTension/4783697ebd5212ba500cdd829b364338

最后希望這篇小文章能讓你了解什么是上下文管理器，如何使用上下文裝飾器，以及如何將它們應(yīng)用于調(diào)試pytorch。