TensorRT安装及使用教程

本文链接：https://blog.csdn.net/zong596568821xp/article/details/86077553

参考：https://arleyzhang.github.io/articles/7f4b25ce/

1 什么是TensorRT

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。所以为了提高部署推理的速度，出现了很多轻量级神经网络，比如squeezenet，mobilenet，shufflenet等。基本做法都是基于现有的经典模型提出一种新的模型结构，然后用这些改造过的模型重新训练，再重新部署。

而tensorRT 则是对训练好的模型进行优化。 tensorRT就只是 推理优化器。当你的网络训练完之后，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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Cm95Uf7u-1573007762651)(https://arleyzhang.github.io/images/TensorRT-1-intro-useage-install.assets/TensorRT-model-import1.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Bo5MIpaa-1573007762651)(https://arleyzhang.github.io/images/TensorRT-1-intro-useage-install.assets/TensorRT-model-import2.png)]

可以认为tensorRT是一个只有前向传播的深度学习框架，这个框架可以将 Caffe，TensorFlow的网络模型解析，然后与tensorRT中对应的层进行一一映射，把其他框架的模型统一全部 转换到tensorRT中，然后在tensorRT中可以针对NVIDIA自家GPU实施优化策略，并进行部署加速。

如果想了解更多关于tensorrt的介绍，可参考官网介绍

2 TensorRT安装

tensorrt的安装方式很简单，只需要注意一些环境的依赖关系就可以，截止目前tensorrt最新版本是5.0.4，参考官网安装教程，这里简单总结一下步骤

2.1 环境确认

• 确认CUDA版本是9.0或者10.0，可通过运行nvcc -V指令来查看CUDA，如果不是9.0以上，则需要先把CUDA版本更新一下nn
• cudnn版本是7.3.1，如果不满足要求，按照《Linux之cudnn升级方法》进行升级
• 需安装有tensorflow，uff模块需要

2.2 安装pycuda

如果要使用python接口的tensorrt，则需要安装pycuda

pip install 'pycuda>=2017.1.1'

2.3 下载安装包

1. 进入下载链接
2. 点击Download Now（需要登录英伟达账号，没有的注册一个）
3. 选择下载的版本（最新TensorRT5）
4. 完成问卷调查
5. 选择同意协议
6. 根据自己的系统版本和CUDA版本，选择安装包，如图所示（如果是完整安装，建议选择Tar File Install Packages，这样可以自行选择安装位置）

2.4 安装指令

#在home下新建文件夹，命名为tensorrt_tar，然后将下载的压缩文件拷贝进来解压tar xzvf TensorRT-5.0.2.6.Ubuntu-16.04.4.x86_64-gnu.cuda-9.0.cudnn7.3.tar #解压得到TensorRT-5.0.2.6的文件夹，将里边的lib绝对路径添加到环境变量中export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/lthpc/tensorrt_tar/TensorRT-5.0.2.6/lib #安装TensorRTcd TensorRT-5.0.2.6/python#if python2sudo pip2 install tensorrt-5.0.2.6-py2.py3-none-any.whl#if python3sudo pip3 install tensorrt-5.0.2.6-py2.py3-none-any.whl #安装UFFcd TensorRT-5.0.2.6/uff#if python2sudo pip2 install uff-0.5.5-py2.py3-none-any.whl#if python3sudo pip3 install uff-0.5.5-py2.py3-none-any.whl #安装graphsurgeoncd TensorRT-5.0.2.6/graphsurgeon#if python2sudo pip2 install graphsurgeon-0.3.2-py2.py3-none-any.whl#if python3sudo pip3 install graphsurgeon-0.3.2-py2.py3-none-any.whl

2.5 环境测试

运行python测试，导入模块不报错就表明安装正确

安装后会在/usr/src目录下生成一个tensorrt文件夹,里面包含bin,data,python,samples四个文件夹，samples文件夹中是官方例程的源码；data,python文件中存放官方例程用到的资源文件，比如caffemodel文件，TensorFlow模型文件，一些图片等；bin文件夹用于存放编译后的二进制文件。

3 使用流程

在/TensoRT-5.0.2.6/samples/python文件夹下有很多python的例子，我们以第一个end_to_end_tensorflow_mnist的例子为例，描述tensorrt的使用流程，在README.md文件里也说得很明白了

3.1 安装依赖

需要安装好numpy、Pillow、pycuda、tensorflow等环境，如果都有可以跳过

3.2 生成pb文件

mkdir modelspython model.py

运行model.py后，会下载数据mnist.npz，并开始训练，完成后在models文件夹下生成lenet5.pb文件，如果自己已经训练得到pb文件，上述过程可以跳过

3.3 格式转化

要将tensorflow的pb文件转化为uff格式的文件，首先找到convert_to_uff文件，看自己用的是哪个版本的python，如果是python3，则在/usr/lib/python3.5/dist-packages/uff/bin文件夹下，如果是python2，则在/usr/lib/python2.7/dist-packages/uff/bin文件夹下

我们在终端中进入end_to_end_tensorflow_mnist，运行以下指令

python3.5 /usr/lib/python3.5/dist-packages/uff/bin/convert_to_uff.py --input_file models/lenet5.pb

则会在models文件夹中生成lenet5.uff文件

需要注意的是：该转化过程只支持在x86平台上实现，如果想在TX2等嵌入式平台上使用tensorrt，需要先在x86平台上将pb模型转化为uff文件，然后再拷贝到TX2上使用

3.4 运行文件

运行sample.py文件，得到如下输出，表明可完整的使用tensorrt

4 使用自己的模型

前边3步相当于是环境的配置，当然还不够，我们需要的是可以转化并运行我们自己的模型，达到加速的效果，因此接下来对相关的工作进行总结，具体转换参考《TX2之TensorRT加速TensorFlow目标检测模型》