Monitorizar el uso de la memoria en R

Question

¿Es posible controlar la cantidad de memoria que está en uso o que R ha utilizado para llamar a una función? Por ejemplo, tengo una función arbitraria, por ejemplo:

smallest.sv <- function(){ 
    A <- matrix(rnorm(1e6), 1e3); 
    mysvd <- svd(A); 
    return(tail(mysvd$d, 1)); 
} 

Ejecución de la función simplemente devuelve un escalar, pero una gran cantidad de memoria se utilizó para calcular la función. Ahora necesito hacer benchmarking de rendimiento. El tiempo de procesamiento es fácil:

system.time(x <- smallest.sv()) 

Sin embargo también me gustaría saber la cantidad de memoria que se necesitaba para esta llamada, sin modificar la función (que debería funcionar para funciones arbitrarias). ¿Hay alguna manera de hacer esto?

Editar: para aclarar un poco. Estoy interesado principalmente en el límite superior de la memoria que estaba en uso durante la llamada de la función, es decir, cuánta memoria física se requiere para poder procesar la llamada a la función. En muchos casos, esto es significativamente menor que la cantidad total de memoria asignada, creo.

Answer 1

R proporciona soporte de perfiles de memoria, ver Section 3.3 of the Writing R Extensions manual:

3,3 código Profiling R para el uso de memoria

Medición de uso de memoria en el código R es útil ya sea cuando el código toma más memoria que está convenientemente disponible o cuando la asignación de memoria y la copia de objetos es responsable de la lentitud del código. Hay tres formas de para perfilar el uso de la memoria a lo largo del tiempo en el código R. Los tres requieren R a se han compilado con `--enable-memory-profiling ', que no es el predeterminado, pero actualmente se usa para las distribuciones binarias de Mac OS X y Windows . Todo puede ser engañoso, por diferentes razones.

Al entender los perfiles de memoria, es útil conocer un poco más sobre acerca de la asignación de memoria de R. Al mirar los resultados de `gc() ' se muestra una división de memoria en` Vcells' utilizada para almacenar los contenidos de vectores y `Ncells 'utilizados para almacenar todo lo demás, incluida toda la sobrecarga administrativa para vectores como tipo y longitud información. De hecho, los contenidos vectoriales se dividen en dos grupos. La memoria para los vectores pequeños (por defecto 128 bytes o menos) se obtiene en trozos grandes y luego se parcela por R; la memoria para vectores más grandes es obtenida directamente del sistema operativo.

y luego proporciona tres secciones más.

Answer 2

Una opción es usar Rprof. Un enfoque simple es este:

Rprof(tf <- "rprof.log", memory.profiling=TRUE) 

[your code] 

Rprof(NULL) 
summaryRprof(tf) 

Esto le dará cierta información sobre el uso de la memoria.