Les interpréteurs
MicroPython ou similaires qu'elles font tourner font appel à 3 types de mémoires avec les rôles suivants :
- la mémoire de stockage qui accueille et conserve tes scripts
- le stack (pile) qui, à l'exécution, accueille les références vers les objets créés
- le heap (tas) qui, à l'exécution, accueille le contenu de ces objets
En gros le
stack limite donc le nombre d'objets différents pouvant exister simultanément en mémoire, alors que le
heap limite la taille globale occupée par le contenu de ces objets.
Dans l'épisode précédent nous avons comparé les tailles de
stack offertes par les calculatrices programmables en langage
Python.
Aujourd'hui nous allons nous intéresser au
heap. Cet espace est extrêmement important et surtout sur les plateformes nomades, car contrairement à d'autres langages les objets
Python les plus simples ont le défaut d'être assez gros. Ce sera le plus souvent le
heap le facteur le plus limitant pour tes projets.
Le temps de construire ensemble notre protocole de tests, commençons par les
TI-83 Premium CE Edition Python et
TI-84 Plus CE-T Edition Python. Elles sont hautement intéressantes pour comprendre ce qui se passe, puisque disposant du module
Python gc. Le module
gc nous offre en effet plusieurs fonctions bien utiles ici :
gc.collect() pour nettoyer le heap en supprimant les valeurs d'objets Python qui ne sont plus référencéesgc.mem_alloc() pour connaître la consommation du heap en octetsgc.mem_free() pour connaître l'espace heap disponible en octets
Les
TI-83 Premium CE Edition Python et
TI-84 Plus CE-T Edition Python disposent donc d'un
heap avec exactement
19,968 Ko de capacité.
Mais lorsque l'on accède à l'environnement
Python, nombre de choses sont initialisées et ce
heap n'est pas vide. Les dernières versions respectives
5.5.1 et
5.5.5 ne nous offrent plus que
17,104 Ko de libres sur le
heap, alors que la version
5.4 de l'année dernière culminait à
19,408 Ko.
Précisions que cet espace libre a de plus ici été amputé de par notre importation du module
gc. Ce module n'étant hélas disponible que sur une minorité de
Pythonnettes il va nous falloir procéder autrement, surtout si l'on souhaite obtenir des mesures comparables.
Donnons quelques éléments de taille en mémoire d'objets
Python usuels, du moins sur les plateformes 32 bits que sont nos calculatrices :
- pour un entier nul : 24 octets déjà...
- pour un entier court non nul (codable sur 31 bits + 1 bit de signe) : 28 octets
- pour un entier long :
- 28 octets
- + 4 octets pour chaque groupe de 30 bits utilisé par son écriture binaire au-delà des 31 bits précédents
- pour une chaîne:
- 49 octets
- + 1 octet par caractère
- pour une liste :
- 64 octets
- + 8 octets par élément
- + les tailles de chaque élément
Voici une fonction qui retourne la taille d'un objet selon ces règles :
- Code: Tout sélectionner
def size(o):
t = type(o)
s = t == str and 49 + len(o)
if t == int:
s = 24
while o:
s += 4
o >>= 30
elif t == list:
s = 64 + 8*len(o)
for so in o:
s += size(so)
return s
Une piste consiste alors à tenter de remplir le
heap jusqu'à déclenchement d'une erreur, et retourner alors l'espace maximal que l'on a réussi à consommer. Voici justement une fonction en ce sens :
- Code: Tout sélectionner
def mem(v=1):
try:
l=[]
try:
l.append(0)
l.append(0)
l.append("")
l[2] += "x"
while 1:
try:
l[2] += l[2][l[1]:]
except:
if l[1] < len(l[2]) - 1:
l[1] = len(l[2]) - 1
else:
raise(Exception)
except:
if v:
print("+", size(l))
try:
l[0] += size(l)
except:
pass
try:
l[0] += mem(v)
except:
pass
return l[0]
except:
return 0
L'appel
mem(0) semble marcher comme souhaité, retournant une valeur qui peut comme prévu légèrement dépasser les
17,104 Ko trouvés plus haut.
Mais voilà autre petit problème, le résultat n'est pas toujours le même, dépendant en effet de l'état du
heap lors de l'appel. Rien que sur les résultats ci-contre, nous avons une marge d'erreur de 1 à 2%.
C'est beaucoup, en tous cas suffisamment pour inverser injustement des modèles au classement. Or cette année, nous tenons à être aussi précis que possible comme tu as pu le voir dès notre 1
er épisode, afin justement de produire un classement aussi équitable que possible.
Certes, on pourrait nettoyer ça avant chaque appel avec
gc.collect(), mais ce ne serait pas juste puisque nous n'aurons pas cette possibilité sur nombre de modèles concurrents. Il nous faut donc trouver autre chose.
L'absence du module
gc et donc de
gc.collect() ne signifie absolument pas que le
heap ne sera jamais nettoyé. C'est juste que nous ne contrôlons pas le moment où il le sera.
Et bien voici l'élément final du protocole de test que nous te proposons, avec une boucle répétant des appels
mem(0), ce qui devrait finir par déclencher des nettoyages du
heap, et te signalant à chaque fois que la valeur retournée bat ainsi un nouveau record :
- Code: Tout sélectionner
def testmem():
m = 0
while 1:
t = mem(0)
if t > m:
m = t
input(str(m))
testmem() signale au départ rapidement plusieurs nouveaux records d'occupation mémoire. Battre chaque nouveau record est de plus en plus difficile, et les nouveaux affichages nécessitent de plus en plus de temps. Nous arrêtons le test lorsque le dernier record n'aura pas pu être battu malgré 5 minutes écoulées depuis son affichage.
Nous aurions donc
17,233 Ko disponibles sur le
heap.
Mais ici encore lorsque nous réalisons notre appel, le
heap a déjà été entâmé par l'importation de notre script de test.
Pas grave, il nous suffit tout simplement d'utiliser le module
gc pour connaître la consommation
heap de notre script.
736 octets donc, qu'il nous suffira d'ajouter à toutes les valeurs obtenues dans ce qui suit.
Nous avons donc ici sur
TI-83 Premium CE Edition Python et
TI-84 Plus CE-T Edition Python 17,233+0,736= 17,969 Ko. Et entre nous, ce n'est franchement pas beaucoup.
Prenons maintenant l'ancienne
TI-83 Premium CE munie du module externe
TI-Python interdit aux examens français, mais restant utilisable en classe ainsi qu'aux évaluations si l'enseignant le permet.
Ce n'est pas la panacée mais c'est quand même sensiblement mieux, avec
19,496+0,736= 20,232 Ko.
Conscient du problème de sous-dimensionnement de ce
heap,
Lionel Debroux a développé un
firmware tiers pour le module externe
TI-Python.
Si tu l'installes tu bénéficieras donc d'un espace
heap disponible nettement amélioré, avec
22,158+0,736= 22,894 Ko.
C'est donc au-delà de la capacité
heap de
19,968 Ko trouvée plus haut pour le
firmware officiel, mais c'est normal puisque l'on se rend compte que
Lionel a en effet passé la capacité
heap à
22,912 Ko.
Arrive maintenant la
NumWorks. Depuis l'année dernière, nous passons de la version
12.2 à
14.4. Enormément de choses ont été apportées par les mises à jour intermédiaires.
Et justement, le
heap qui était à
15,557+0,736= 16,293 Ko utilisables pour tes scripts, double à
31,485+0,736= 32,221 Ko !
Mais la chose ne s'arrête pas là. Il est possible très facilement sur ta
NumWorks d'installer un
firmware tiers,
Omega. Basé sur le
firmware officiel dont il suit les évolutions, il lui rajoute plein de fonctionnalités utiles et légitimes qui auront le gros avantage de rester disponible en mode examen !
Sur la dernière édition matérielle
NumWorks N0110,
Omega permet notamment l'ajout d'applications. Plusieurs sont disponibles dont l'application de mathématiques intégrée
KhiCAS par
Bernard Parisse, enseignant chercheur à l'
Université de Grenoble, une version adaptée aux plateformes nomades qui s'inspire de son propre logiciel de Mathématiques intégré
Xcas, et en reprend notamment le moteur de calcul formel
GIAC.
Et bien
Bernard est justement en train de te préparer une mise à jour majeure de
KhiCAS pour l'année scolaire
2020-2021, déjà accessible en
version de test. Au menu des nouveautés une sous-application tableur / feuille de calculs, ainsi que l'intégration d'un véritable interpréteur
MicroPython !
Et grosse surprise puisque nous bondissons ici à
39,747+0,736= 40,483 Ko de
heap disponible,
Bernard ayant en effet eu la bonne idée de passer la capacité
heap à
40 Ko !
Mais ce n'est pas tout,
KhiCAS est notamment la seule solution
Python sur calculatrices à te permettre de choisir toi-même la taille du
heap, par défaut donc de
40 Ko, et ce librement entre
16 Ko et
64 Ko, une formidable option pour estimer la consommation
heap de tes projets !
Passons donc ça à
64 Ko, et effectivement nous obtenons maintenant un espace
heap disponible de
63,660+0,736= 64,396 Ko !
La
Casio Graph 35+E II nous crève maintenant le plafond avec pas moins de
99,490+0,736= 100,226 Ko de
heap disponible dans son application
Python officielle !
Il existe aussi une application
Python tierce pour les
Casio Graph monochromes,
CasioPython. Elle est compatible avec les modèles suivants, mais hélas bloquée par le mode examen :
Sur les deux premiers nous nous envolons à pas moins de
257,026+0,736= 257,762 Ko !
En effet selon le module
gc, la capacité
heap a ici été réglée à
258,048 Ko.
Hélas, un bug toujours pas corrigé depuis l'année dernière fait que
CasioPython reconnaît bêtement la
Graph 35+E II comme un ancien modèle, n'y réservant alors qu'une capacité
heap de
32,256 Ko.
Nous n'obtenons alors qu'un espace
heap libre de
31,163+0,736= 31,899 Ko, ici donc sans aucun intérêt par rapport à l'application
Python officielle.
La
Casio Graph 90+E nous met maintenant en orbite avec un formidable
1031,713+0,736= 1032,449 Ko soit
1,032 Mo, de quoi développer de fantastiques projets !
Pour les
TI-Nspire CX II, nous ne disposons hélas pas à ce jour de préversion de la mise à jour qui devrait sortir mi-septembre 2020 et rajouter la programmation
Python.
Pour les anciens modèles
TI-Nspire CX et
TI-Nspire monochromes par contre, si non encore mis à jour en version
4.5.1 ou supérieure, il est possible de leur installer le
jailbreak Ndless qui autorise à son tour par la suite l'installation d'applications tierces.
Attention toutefois, contrairement aux applications
Omega pour
NumWorks,
Ndless fait hélas le choix de s'effacer totalement devant le mode examen !
Les applications
Ndless seront donc inutilisables, y compris donc les applications parfaitement légitimes comme
MicroPython apportant des fonctionnalités disponibles en mode examen sur d'autres modèles.
Une fois
Ndless installé, on peut par exemple rajouter l'application
MicroPython qui nous fait littéralement quitter l'attraction terrestre avec pas moins de
2080,065+0,736= 2080,801 Ko soit
2,081 Mo !
En creusant un petit peu grâce au module
gc ici disponible, nous découvrons que la capacité
heap est de
2,049 Mo.
Mais pour les seules anciennes
TI-Nspire CX, ce n'est pas tout.
Bernard Parisse est également en train de préparer ici la même mise à jour majeure de l'application
KhiCAS que pour
NumWorks, avec feuille de calcul / tableur et véritable interpréteur
MicroPython intégrés, également disponible en
version de test !
Nous sommes ici en retrait même si cela reste parfaitement honorable, avec
1023,812+0,736= 1024,548 Ko soit
1,025 Mo.
En effet la capacité
heap n'est ici que de
1,025 Mo selon le module
gc.
Une mise à jour
HP Prime rajoutant une application
Python est dans les tuyaux. Aucune date de sortie communiquée à ce jour, mais une version intégrant cette fonctionnalité a été publiée par erreur en
octobre 2019.
Cela a sûrement été corrigé depuis, mais cette vieille version est en pratique très instable. Nous te déconseillons fortement de l'installer dans le contexte d'évaluations.
Nous ne pourrons en l'état la retenir au classement, surtout que nous n'avons aucune garantie qu'elle sorte en 2020-2021, mais nous testons quand même lorsque possible afin de pouvoir t'estimer ce que vaudra la mise à jour en question.
Donc ici encore nous bénéficions d'un
heap correctement dimensionné, avec
1017,692+0,736= 1018,428 Ko soit
1,018 Mo de disponibles sur le
heap.
Le module
gc nous apprend en effet que
HP a réglé la capacité de son
heap ici encore à
1,025 Mo, exactement comme
Bernard.
Résumé de nos mesures, avec donc l'espace
heap Python disponible à vide pour chacun des modèles :
- en bas ne tient compte que des seules capacités d'origine officielles de la machine en mode examen sur les versions actuellement à notre disposition
- en haut tient compte de toutes les possibilités évoquées pour d'autres situations (installation d'applications, mises à jour à venir, contexte hors mode examen...)
De 2001 à 2010, Patrick Verstrepen a été superviseur technique pour Texas Instruments, en charge de tester les nouveaux produits et de former les équipes du support technique TI-Cares Europe.
Patrick nous affirmait également disposer d'une TI-83 Plus 2, prototype de la superbe et éphémère TI-83 Plus Silver Edition, le modèle amélioré sorti en 2001 et qui initiait la gamme intermédiaire des TI-84 Plus.
Jusqu'à aujourd'hui. Après plus de 8 ans, Frédéric Desautels alias mr womp womp vient en effet enfin de convaincre Patrick de nous partager quelques photos de ses derniers secrets.
