如何解释 Python 中 Dill 的酸洗跟踪输出？ (剖析 (un)pickling / (de)serialization 瓶颈)
How to interpret Dill's pickling trace output in Python? (Profiling (un)pickling / (de)serialization bottlenecks)
我正在尝试使用 dills 的 dill.detect.trace(True) 功能——在酸洗过程中打印痕迹——来找出为什么我的酸洗过程如此缓慢。我还没有找到一种方法来输出 unpickling 的跟踪，但我假设这或多或少是 1 对 1 的 pickling 逆向过程，因此检查 pickling 跟踪应该揭示同样适用于 unpickling 的瓶颈。
但是我不知道如何解释它的输出。例如：
T4: <class 'foo_package.base.model.BarModel'>
# T4
D2: <dict object at 0x7f7de3832800>
T4: <class 'pathlib.PosixPath'>
# T4
T4: <class 'foo_package.some_module.Bar'>
# T4
D2: <dict object at 0x7f7d206273c0>
T4: <class 'some_package.some_module.Bar.options.SessionOptions'>
# T4
D2: <dict object at 0x7f7d20384040>
T4: <enum 'ModelType'>
# T4
T4: <enum 'SomeOtherEnum'>
# T4
# D2
D2: <dict object at 0x7f7d206b9ac0>
# D2
T4: <class 'some_package.some_other_module.XyzzyObject'>
# T4
D2: <dict object at 0x7f7d206cb100>
###... and so on...
如何理解D2和T4？ # 前缀是什么意思？能否找到关于增加（反）序列化时间的循环 references/deeply 嵌套结构存在的提示？
关于 trace 函数的 Dills 文档仅说明：
trace(boolean)
print a trace through the stack when pickling; useful for debugging
更多上下文：
（降低 XY 问题的风险）
我正在使用 dill 存储 python 程序实例的部分状态，以便保存分析模型。
(Un)pickling 随着时间的推移变得非常缓慢，我正在尝试找出原因。
我已经将使用专用序列化方法（例如 numpy/pyarrow/pandas 对象）的对象存储委托给使用 __getstate__ 和 __setstate__ 的其他序列化方法来存储包含大量数据的对象。这有点帮助，但反序列化仍然需要 1 到 2 分钟，这大大减慢了调试过程。
我是莳萝作者。
这是从 GitHub 和 PyPI...
上的自述文件复制而来的
为了帮助调试 pickling 问题，使用 dill.detect 它提供
pickle tracing 等工具::
>>> import dill.detect
>>> dill.detect.trace(True)
>>> f = dumps(squared)
F1: <function <lambda> at 0x108899e18>
F2: <function _create_function at 0x108db7488>
# F2
Co: <code object <lambda> at 0x10866a270, file "<stdin>", line 1>
F2: <function _create_code at 0x108db7510>
# F2
# Co
D1: <dict object at 0x10862b3f0>
# D1
D2: <dict object at 0x108e42ee8>
# D2
# F1
>>> dill.detect.trace(False)
通过跟踪，我们可以看到 dill 是如何存储 lambda (F1) 的，首先存储
_create_function、底层代码对象（Co）和_create_code
（用于处理代码对象），然后我们处理对
全局字典（D2）。 # 标记对象实际存储的时间。
我正在尝试使用 dills 的 dill.detect.trace(True) 功能——在酸洗过程中打印痕迹——来找出为什么我的酸洗过程如此缓慢。我还没有找到一种方法来输出 unpickling 的跟踪，但我假设这或多或少是 1 对 1 的 pickling 逆向过程，因此检查 pickling 跟踪应该揭示同样适用于 unpickling 的瓶颈。
但是我不知道如何解释它的输出。例如：
T4: <class 'foo_package.base.model.BarModel'>
# T4
D2: <dict object at 0x7f7de3832800>
T4: <class 'pathlib.PosixPath'>
# T4
T4: <class 'foo_package.some_module.Bar'>
# T4
D2: <dict object at 0x7f7d206273c0>
T4: <class 'some_package.some_module.Bar.options.SessionOptions'>
# T4
D2: <dict object at 0x7f7d20384040>
T4: <enum 'ModelType'>
# T4
T4: <enum 'SomeOtherEnum'>
# T4
# D2
D2: <dict object at 0x7f7d206b9ac0>
# D2
T4: <class 'some_package.some_other_module.XyzzyObject'>
# T4
D2: <dict object at 0x7f7d206cb100>
###... and so on...
如何理解D2和T4？ # 前缀是什么意思？能否找到关于增加（反）序列化时间的循环 references/deeply 嵌套结构存在的提示？
关于 trace 函数的 Dills 文档仅说明：
trace(boolean)
print a trace through the stack when pickling; useful for debugging
更多上下文： （降低 XY 问题的风险）
我正在使用 dill 存储 python 程序实例的部分状态，以便保存分析模型。
(Un)pickling 随着时间的推移变得非常缓慢，我正在尝试找出原因。
我已经将使用专用序列化方法（例如 numpy/pyarrow/pandas 对象）的对象存储委托给使用 __getstate__ 和 __setstate__ 的其他序列化方法来存储包含大量数据的对象。这有点帮助，但反序列化仍然需要 1 到 2 分钟，这大大减慢了调试过程。
我是莳萝作者。 这是从 GitHub 和 PyPI...
上的自述文件复制而来的为了帮助调试 pickling 问题，使用 dill.detect 它提供 pickle tracing 等工具::
>>> import dill.detect
>>> dill.detect.trace(True)
>>> f = dumps(squared)
F1: <function <lambda> at 0x108899e18>
F2: <function _create_function at 0x108db7488>
# F2
Co: <code object <lambda> at 0x10866a270, file "<stdin>", line 1>
F2: <function _create_code at 0x108db7510>
# F2
# Co
D1: <dict object at 0x10862b3f0>
# D1
D2: <dict object at 0x108e42ee8>
# D2
# F1
>>> dill.detect.trace(False)
通过跟踪，我们可以看到 dill 是如何存储 lambda (F1) 的，首先存储
_create_function、底层代码对象（Co）和_create_code
（用于处理代码对象），然后我们处理对
全局字典（D2）。 # 标记对象实际存储的时间。