一、 TensorRT基本介绍

TensorRT是一种高性能深度学习推理优化器和运行时加速库，可以为深度学习应用提供低延迟、高吞吐率的部署推理。

TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。

TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速和高效的部署推理。

一般的深度学习项目，训练时为了加快速度，会使用多GPU分布式训练。但在部署推理时，为了降低成本，往往使用单个GPU机器甚至嵌入式平台（比如 NVIDIA Jetson）进行部署，部署端也要有与训练时相同的深度学习环境，如caffe，TensorFlow等。

由于训练的网络模型可能会很大（比如，inception，resnet等），参数很多，而且部署端的机器性能存在差异，就会导致推理速度慢，延迟高。这对于那些高实时性的应用场合是致命的，比如自动驾驶要求实时目标检测，目标追踪等。

为了提高部署推理的速度，出现了很多模型优化的方法，如：模型压缩、剪枝、量化、知识蒸馏等，这些一般都是在训练阶段实现优化。

而TensorRT 则是对训练好的模型进行优化，通过优化网络计算图提高模型效率。

当网络训练完之后，可以将训练模型文件直接丢进tensorRT中，而不再需要依赖深度学习框架（Caffe，TensorFlow等），如下：

二、优化方式

 TensorRT优化方法主要有以下几种方式，最主要的是前面两种。

• 层间融合或张量融合（Layer & Tensor Fusion）

制约计算速度的CUDA核心计算张量，往往大量的时间也是浪费在CUDA核心的启动和对每一层输入/输出张量的读写操作上面，这造成了内存带宽的瓶颈和GPU资源的浪费。

TensorRT通过对层间的横向或纵向合并，使得层的数量大大减少，这样就可以一定程度的减少kernel launches和内存读写。

横向合并可以把卷积、偏置和激活层合并成一个CBR结构（convolution, bias, and ReLU layers are fused to form a single layer），只占用一个CUDA核心。

纵向合并可以把结构相同，但是权值不同的层合并成一个更宽的层，也只占用一个CUDA核心。

另外，对于多分支合并的情况，TensorRT完全可以实现直接接到需要的地方，不用专门做concat的操作，所以这一层也可以取消掉。

合并之后的计算图（右侧）的层次更少了，占用的CUDA核心数也少了，因此整个模型结构会更小，更快，更高效。

•  数据精度校准（Weight &Activation Precision Calibration）

大部分深度学习框架在训练神经网络时网络中的张量（Tensor）都是32位浮点数的精度（Full 32-bit precision，FP32），一旦网络训练完成，在部署推理的过程中由于不需要反向传播，完全可以适当降低数据精度，比如降为FP16或INT8的精度。更低的数据精度将会使得内存占用和延迟更低，模型体积更小。

如下表为不同精度的动态范围：

INT8只有256个不同的数值，使用INT8来表示 FP32精度的数值，肯定会丢失信息，造成性能下降。不过TensorRT会提供完全自动化的校准（Calibration ）过程，会以最好的匹配性能将FP32精度的数据降低为INT8精度，最小化性能损失。关于校准过程，后面会专门做一个探究。

• Kernel Auto-Tuning内核自动调整

网络模型在推理计算时，是调用GPU的CUDA核进行计算的。TensorRT可以针对不同的算法，不同的网络模型，不同的GPU平台，进行 一些Kernel层面的优化，以保证当前模型在特定平台上以最优性能计算。

• Dynamic Tensor Memory动态张量显存

在每个tensor使用期间，TensorRT会为其指定显存，避免显存重复申请，减少内存占用和提高内存的重复使用效率（reuse）。

• Multi-Stream Execution多流执行

使用CUDA中的stream技术，对于同一输入的多个分支可以进行并行运算，还可以根据不同batchsize优化。

三、使用Tensorrt的一般步骤

基本流程：

1、训练神经网络，

2、优化得到推理引擎plan，序列化到磁盘

3、使用时反序列化，使用优化后的推理引擎进行加速

1、创建builder：构造器。包含tensorrt所有组件，及推理的整个流程，网络、解析器、输入输出的buffer地址，推理优化的引擎，输入输出结果的维度等

2、创建network。保存训练好的神经网络。

3、创建parser：用来解析网络。caffe、tensorflow、onnx……也可自定义
4、绑定：gpu的输入、输出地址、自定义组件

输入：训练好的神经网络模型及其结构。支持所有框架。

输出：一个可执行的推理引擎。

5、序列化反序列化

6、传输计算数据：CPU到GPU

7、执行计算

8、传输计算结果：GPU到CPU

四、运用场景

嵌入式、自动驾驶、数据中心

五、其他

1，插件支持

我们在做模型结构设计时，有时候自己会设计一些layer来满足任务需求，但是这些layer在使用Tensorrt优化时，TensorRT可能并不支持，如ROI Align，这时候就需要通过Plugin的形式自己去实现，如上图所示的custom layer。实现过程包括如下两个步骤：

首先需要重载一个IPlugin的基类，生成自己的Plugin的实现，告诉GPU或TensorRT需要做什么操作，要构建的Plugin是什么样子，其实就是类似于开发一个应用软件的插件，需要在上面实现什么功能。

其次要将插件替换网络中自己实现的layer。

 现在tensorRT支持的层有：

• Activation: ReLU, tanh and sigmoid

• Concatenation : Link together multiple tensors across the channel dimension.

• Convolution: 3D，2D

• Deconvolution

• Fully-connected: with or without bias

• ElementWise: sum, product or max of two tensors

• Pooling: max and average

• Padding

• Flatten

• LRN: cross-channel only

• SoftMax: cross-channel only

• RNN: RNN, GRU, and LSTM

• Scale: Affine transformation and/or exponentiation by constant values

• Shuffle: Reshuffling of tensors , reshape or transpose data

• Squeeze: Removes dimensions of size 1 from the shape of a tensor

• Unary: Supported operations are exp, log, sqrt, recip, abs and neg

• Plugin: integrate custom layer implementations that TensorRT does not natively support.

基本上比较经典的层比如，卷积，反卷积，全连接，RNN，softmax等，在tensorRT中都是有对应的实现方式的，tensorRT是可以直接解析的。

但是由于现在深度学习技术发展日新月异，各种不同结构的自定义层（比如：STN）层出不穷，所以tensorRT是不可能全部支持当前存在的所有层的。那对于这些自定义的层该怎么办？

tensorRT中有一个 Plugin 层，这个层提供了 API 可以由用户自己定义tensorRT不支持的层。 如下图：

 这就解决了适应不同用户的自定义层的需求。

build engine：创建解析器、工作空间、数据类型，序列化，释放

不同的设备引擎不通用，只能在同一个设备使用。例如：在服务器优化引擎，放到nano设备上，不行

pluginfoctory：如果网络层并不是直接支持的，自定义网络层

plugin：输入输出，初始化

2、实用工具Netron：

Netron是神经网络，深度学习和机器学习模型的可视化工具（viewer）。

Netron 支持目前大多数主流深度学习框架的模型，如下所示：

• ONNX（.onnx，.pb）

• Keras（.h5，.keras）

• CoreML（.mlmodel）

• TensorFlow Lite（.tflite）

• Netron对Caffe（.caffemodel）

• Caffe2（predict_net.pb）

• MXNet（.model，-symbol.json）

• TensorFlow.js（model.json，.pb）

• TensorFlow（.pb，.meta）

Yolov5l可视化网络结构图：

今天的文章tensorrt入门_tensor翻译分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。