Tác nhân Python ghi lại các chỉ số thời gian chạy để cho phép bạn phân tích hiệu suất của các quy trình và trình thông dịch Python của bạn. Điều này bao gồm các số liệu liên quan đến việc sử dụng CPU, sử dụng bộ nhớ và thu gom rác
Sử dụng CPU
Với số liệu thời gian chạy CPU, bạn có thể theo dõi mức sử dụng CPU bằng cách kiểm tra mức sử dụng CPU của người dùng và hệ thống, đồng thời xem thời gian dành cho các thành phần khác nhau của CPU. Các chỉ số sử dụng CPU sau đây có sẵn
- Thời gian CPU. Theo dõi lượng thời gian được sử dụng ở các trạng thái khác nhau của CPU. Điều này bao gồm người dùng [thời gian chạy mã ứng dụng] và hệ thống [thời gian dành cho hệ điều hành]. Số liệu này được biểu thị dưới dạng tổng thời gian đã trôi qua tính bằng giây
- Sử dụng CPU. Phân tích lượng tài nguyên xử lý được sử dụng theo thời gian bởi các thành phần khác nhau của CPU. Điều này bao gồm thành phần người dùng [để chạy mã ứng dụng] và thành phần hệ thống [để chạy mã nhân]. Số liệu này được báo cáo dưới dạng phần trăm biểu thị thời gian dành cho thành phần CPU được chỉ định chia cho tổng thời gian CPU đã trôi qua
Sử dụng bộ nhớ
Bạn có thể theo dõi mức tiêu thụ và sử dụng bộ nhớ tổng thể của hệ thống theo quy trình và máy chủ. Các số liệu sử dụng bộ nhớ sau đây có sẵn
- Tổng bộ nhớ vật lý. Theo dõi tổng dung lượng bộ nhớ vật lý tính bằng megabyte đang được hệ thống của bạn sử dụng theo thời gian. Số liệu này cũng có sẵn cho các ID quy trình riêng lẻ
- Sử dụng bộ nhớ. Theo dõi việc sử dụng bộ nhớ theo thời gian cho hệ thống của bạn và cho các quy trình riêng lẻ. Số liệu này được biểu thị bằng giá trị của tổng bộ nhớ vật lý đang được hệ thống của bạn [hoặc một quy trình cụ thể] sử dụng chia cho tổng dung lượng bộ nhớ khả dụng
Thu gom rác thải
Quan trọng
Hồ sơ thu gom rác có sẵn trong tác nhân Python phiên bản 6. 2. 0. 156 trở lên và bị tắt theo mặc định trong tác nhân. Để kích hoạt nó, hãy xem tài liệu của chúng tôi
Trình thu gom rác tìm các đối tượng dữ liệu không sử dụng và lấy lại không gian bộ nhớ đó để nó có thể được sử dụng bởi một quy trình khác. Tác nhân Python cung cấp các chỉ số thu gom rác sau
Khi bạn đam mê lập trình, bạn đang cố gắng tính toán, gỡ lỗi và viết mã để đạt được nhiệm vụ mong muốn. Khi dự án phức tạp hơn, có một số tình huống mà bạn sẽ mở nhiều tab để nghiên cứu, nhiều tệp Python để gỡ lỗi mã của bạn và các yếu tố dữ liệu khác nhau để phân tích. Nhưng “Boom” — đột nhiên xảy ra sự cố
Trong khi bạn đang mã hóa các dự án khác nhau, bạn đã quên kiểm tra các tài nguyên được sử dụng, điều này có thể dẫn đến mất dữ liệu chưa được lưu hoặc tệ hơn. Sử dụng CPU và bộ nhớ là những phần quan trọng của hệ thống máy tính. GPU là yếu tố cần thiết để theo dõi các dự án học sâu
Trong bài viết này, chúng ta sẽ xem xét một dự án Python sẽ trực quan hóa và hiển thị tất cả các tham số chính mà chúng ta muốn phân tích. Chúng tôi sẽ sử dụng các công cụ cụ thể để làm cho quy trình phân tích này trở nên đơn giản hơn vì các tài nguyên đó hữu ích cho việc giám sát hệ thống, lập hồ sơ, hạn chế tài nguyên quy trình và quản lý quy trình
Để tìm những phẩm chất tốt nhất để xây dựng PC của riêng bạn trong phạm vi ngân sách của bạn, tôi khuyên bạn nên xem một trong những hướng dẫn trước đây của tôi từ liên kết này. Nếu bạn quan tâm đến việc tìm hiểu sự phức tạp và yêu cầu của GPU đối với bản dựng PC của mình, tôi khuyên bạn nên xem bài viết được cung cấp bên dưới, bao gồm hướng dẫn chuyên sâu về cách khám phá khái niệm này
Bạn có thực sự cần GPU để học sâu không?
Việc mua GPU có phải là một yêu cầu thiết yếu để học sâu không?
hướng tới khoa học dữ liệu. com
Hiểu các yêu cầu thư viện cần thiết
Trong phần này, chúng ta sẽ hiểu một số yêu cầu thư viện cơ bản sẽ được yêu cầu để hoàn thành dự án này thành công. Hầu hết các thư viện này có thể được cài đặt bằng lệnh pip đơn giản và không yêu cầu bất kỳ bước bổ sung nào. Chúng ta hãy xem xét hai cài đặt đầu tiên mà bạn sẽ cần đọc và phân tích các thành phần CPU, bộ nhớ và GPU
pip install psutil
pip install GPUtilNếu bạn gặp sự cố với lệnh thứ hai trong khi cài đặt, thay vào đó, tôi khuyên bạn nên sử dụng lệnh cài đặt pip sau đây và theo liên kết GitHub này của các tác giả để tham khảo thêm
pip install gputilVới các cài đặt thư viện đơn giản này, người dùng đã có thể có được tất cả thông tin cần thiết cho dự án này. Đầu tiên, chúng ta hãy nhập cả hai thư viện để chúng ta có thể kiểm tra xem chúng có được cài đặt đúng cách và hoạt động như mong đợi hay không. Khi các thư viện được nhập, chúng tôi có thể xem tốc độ hiệu suất của CPU và mức sử dụng bộ nhớ khi chúng tôi sử dụng PC của mình
Bước tương tự có thể được thực hiện để phân tích hiệu suất GPU cũng như để theo dõi lượng bộ nhớ được GPU của bạn sử dụng. Bạn có thể nhận thấy rằng khi bắt đầu, các giá trị được in khá ổn định. Tuy nhiên, khi bạn di chuyển con trỏ hoặc tiến hành một số hoạt động nhỏ trên hệ thống của mình, các chi tiết được in sẽ tăng đột biến. Dưới đây là khối mã để kiểm tra quy trình sau
# Importing the essential libraries
import psutil
import GPUtil# Testing the psutil library for both CPU and RAM performance details
print[psutil.cpu_percent[]]
print[psutil.virtual_memory[].percent]# Testing the GPUtil library for both GPU performance details
GPUtil.showUtilization[]
Trong bước tiếp theo, chúng tôi sẽ xem xét một số hình ảnh trực quan mà chúng tôi có thể thấy hữu ích để phát triển dự án của mình một cách dễ dàng. Chúng tôi sẽ nhập các thư viện numpy và matplotlib thông qua đó chúng tôi có thể tạo các phần tử dữ liệu ngẫu nhiên của riêng mình và vẽ thông tin tương ứng. Dưới đây là đoạn mã để kiểm tra và thực hiện hành động sau
# Importing the numpy and visualization library
import numpy as np
import matplotlib.pyplot as plt# Plotting the axis
plt.axis[[0, 10, 0, 1]]# Creating a random scatter plot
for i in range[10]:
y = np.random.random[]
plt.scatter[i, y]
plt.pause[0.05]plt.show[]
Trong đoạn mã trên, tôi đã cung cấp một cái nhìn thoáng qua về những gì chúng ta có thể đạt được bằng các kỹ thuật trực quan hóa. Nếu người xem quan tâm hơn đến trực quan hóa, đây là một phần không thể thiếu của khoa học dữ liệu, tôi khuyên bạn nên xem bài viết sau được cung cấp bên dưới. Nó bao gồm tám kỹ thuật trực quan quan trọng nhất phải được xem xét cho bất kỳ dự án nào mà bạn dự định xây dựng để phân tích dữ liệu
8 hình ảnh trực quan tốt nhất để xem xét cho các dự án khoa học dữ liệu của bạn
Phân tích 8 kỹ thuật trực quan hóa tốt nhất trong Exploratory Data Analysis cho các dự án Data Science
hướng tới khoa học dữ liệu. com
Phát triển trình theo dõi bộ nhớ của riêng bạn với Python
Hình ảnh của tác giả
Bây giờ chúng ta đã hiểu tất cả các yêu cầu của thư viện và cách sử dụng chúng một cách hiệu quả, chúng ta có thể bắt đầu phát triển dự án của mình. Mục tiêu của chúng tôi là có được một biểu đồ phân tán, như thể hiện trong hình trên, qua đó chúng tôi có thể liên tục theo dõi tài nguyên của mình cho phù hợp. Khi nó đạt đến giới hạn cao hơn trong các ứng dụng đòi hỏi khắt khe hơn như thực hiện các dự án học sâu, chơi trò chơi, kết xuất 3-D hoặc các tác vụ tương tự khác, chúng tôi có thể biết cách xử lý các tình huống đó
Để phát triển dự án, chúng tôi sẽ nhập tất cả các thư viện đã thảo luận trước đó vào một tệp Python. Khi chúng tôi hoàn tất việc nhập các thư viện này, chúng tôi có thể tiến hành tạo một vòng lặp for hơi vô hạn sẽ chạy trong một thời gian dài miễn là máy tính của bạn đang bật. Trong vòng lặp này, chúng tôi sẽ nhận được tỷ lệ phần trăm sử dụng CPU, mức sử dụng bộ nhớ và thông tin GPU. Dưới đây là khối mã hoàn chỉnh để vẽ thông tin cho tất cả các chi tiết cần thiết mà chúng tôi dự định theo dõi cho các tác vụ hệ thống khác nhau
# Importing the required libraries
import psutil
import GPUtil
import numpy as np
import matplotlib.pyplot as plt# Creating an almost infinite for loop to monitor the details continuously
for i in range[100000000]:
# Obtaining all the essential details
cpu_usage = psutil.cpu_percent[]
mem_usage = psutil.virtual_memory[].percent
print[cpu_usage]
print[mem_usage] # Creating the scatter plot
plt.scatter[i, cpu_usage, color = "red"]
plt.scatter[i, mem_usage, color = "blue"]
plt.legend[["CPU", "Memory"], loc ="lower right"]
plt.pause[0.05] # Obtaining the GPU details
GPUtil.showUtilization[]# Plotting the information
plt.show[]
Tôi chỉ tạo các sơ đồ cho hai thành phần đầu tiên vì tôi sẽ không thực sự sử dụng GPU cho các quy trình hiện tại của mình. Người dùng có thể thoải mái tạo các phương pháp và sơ đồ của riêng họ cho GPU và các tính năng khác nếu họ thấy cần thiết. Sau khi hoàn thành chương trình, cách tốt nhất để chạy chương trình là trong dấu nhắc lệnh [hoặc thiết bị đầu cuối] bằng cách mở chương trình trong thư mục làm việc và chạy tệp Python. Khi chương trình được chạy, bạn có thể theo dõi liên tục và nhất quán các thông tin cần thiết cho phù hợp
Sự kết luận
Ảnh của Umberto trên Bapt
“Trí tưởng tượng quan trọng hơn kiến thức. Vì kiến thức thì có hạn, trong khi trí tưởng tượng bao trùm cả thế giới, kích thích sự tiến bộ, sinh ra sự tiến hóa. ”
— Albert Einstein
Khi làm việc trên nhiều tác vụ và dự án với một số lượng lớn tệp, thư mục và tab được mở trên hệ thống cục bộ của bạn, bạn nên liên tục theo dõi mức tiêu thụ tài nguyên của mình để đảm bảo rằng chúng không vượt quá giới hạn cho phép. Mặc dù những vấn đề này không phổ biến trong các hệ thống hoặc máy trạm cao cấp hơn, nhưng nó có thể được coi là bắt buộc đối với hầu hết người dùng máy tính xách tay và PC trung bình để xác nhận tiện ích tốt nhất cho tài nguyên của họ
Trong bài viết này, chúng tôi đã hiểu một số yêu cầu thư viện cơ bản và cách sử dụng chúng để phân tích mức tiêu thụ CPU, sử dụng bộ nhớ và thống kê GPU. Chúng tôi cũng đã xem xét một số khái niệm trực quan hóa cơ bản để vẽ các tiện ích bộ nhớ này cho phù hợp. Cuối cùng, chúng tôi đã kết hợp tất cả các yếu tố này lại với nhau để phát triển trình theo dõi bộ nhớ với Python để theo dõi PC của bạn và các dự án học sâu
Nếu bạn muốn nhận thông báo về các bài viết của tôi ngay khi chúng xuất hiện, hãy xem liên kết sau để đăng ký nhận đề xuất qua email. Nếu bạn muốn hỗ trợ các tác giả khác và tôi, hãy đăng ký vào liên kết bên dưới
Tham gia Medium với liên kết giới thiệu của tôi - Bharath K
Đọc mọi câu chuyện từ Bharath K [và hàng nghìn nhà văn khác trên Medium]. Phí thành viên của bạn hỗ trợ trực tiếp…
bharath-k1297. vừa phải. com
Nếu bạn có bất kỳ câu hỏi nào liên quan đến các điểm khác nhau được nêu trong bài viết này, vui lòng cho tôi biết trong các nhận xét bên dưới. Tôi sẽ cố gắng liên lạc lại với bạn bằng phản hồi sớm nhất có thể. Như đã hứa trong bài viết trước của tôi, tôi sẽ cố gắng cung cấp ba đến năm bài viết mỗi tháng
Kiểm tra một số bài viết khác của tôi liên quan đến chủ đề được đề cập trong phần này mà bạn cũng có thể thích đọc
Xây dựng các dự án có tính tương tác cao với Jupyter Notebooks
Sử dụng các tiện ích để tạo môi trường thân thiện với người dùng để xây dựng các dự án Khoa học dữ liệu và Python tương tác…
hướng tới khoa học dữ liệu. com
Hình ảnh hóa Seaborn tốt nhất cho Khoa học dữ liệu
Khám phá một số tùy chọn trực quan hóa tốt nhất cho các dự án khoa học dữ liệu với thư viện Seaborn
hướng tới khoa học dữ liệu. com
7 mẹo lập trình Python để cải thiện năng suất của bạn
Làm cho mã Python của bạn hiệu quả và hiệu quả hơn bằng cách sửa một số thực tiễn lập trình xấu phổ biến
hướng tới khoa học dữ liệu. com
Cảm ơn tất cả các bạn đã gắn bó cho đến cuối cùng. Tôi hy vọng tất cả các bạn thích đọc bài viết. Chúc các bạn một ngày tuyệt vời