加速深度学习在线部署，TensorRT安装及使用教程
向AI转型的程序员都关注了这个号????????????
机器学习AI算法工程 公众号：datayx
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：
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。
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，我们以tensorrt5.0.4版本为例，参考官网安装教程https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html，这里简单总结一下步骤
tensorrt支持的环境和python版本如表所示
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
2.3 下载安装包
进入下载链接https://developer.nvidia.com/nvidia-tensorrt-download
点击Download Now（需要登录英伟达账号，没有的注册一个）
选择下载的版本（最新TensorRT5）
完成问卷调查
选择同意协议
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
如果要使用python版本，则使用pip安装，执行下边的指令
为了避免安装时各种问题，我们也可以使用deb包的方式安装，即在2.3步骤中选择自己系统对应的版本，然后使用如下指令安装
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
注意：导入uff的时候需要安装tensorflow模块，tensorflow版本要与cuda版本对应，比如cuda9要对应tensorflow1.12及以下版本，以上版本需要cuda10，具体参考官网
如果导入tensorrt报错如下，则是因为python版本不对，应根据2.1节上边的那个表调整自己的python版本
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
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
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
参考文章
通过pytorch搭建卷积神经网络完成手写识别任务，并将训练好的模型以多种方式部署到TensorRT中加速
https://github.com/GuanLianzheng/pytorch_to_TensorRT5
TensorRT之TX2部署TensorFlow目标检测模型
https://blog.csdn.net/zong596568821xp/article/details/86077553
TensorRT安装及使用教程
https://arleyzhang.github.io/articles/7f4b25ce/
阅读过本文的人还看了以下文章：
TensorFlow 2.0深度学习案例实战
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《基于深度学习的自然语言处理》中/英PDF
Deep Learning 中文版初版-周志华团队
【全套视频课】最全的目标检测算法系列讲解，通俗易懂！
《美团机器学习实践》_美团算法团队.pdf
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
特征提取与图像处理(第二版).pdf
python就业班学习视频，从入门到实战项目
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
《深度学习之pytorch》pdf+附书源码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
《Python数据分析与挖掘实战》PDF+完整源码
汽车行业完整知识图谱项目实战视频(全23课)
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！
《神经网络与深度学习》最新2018版中英PDF+源码
将机器学习模型部署为REST API
FashionAI服装属性标签图像识别Top1-5方案分享
重要开源！CNN-RNN-CTC 实现手写汉字识别
yolo3 检测出图像中的不规则汉字
同样是机器学习算法工程师，你的面试为什么过不了？
前海征信大数据算法：风险概率预测
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
VGG16迁移学习，实现医学图像识别分类工程项目
特征工程(一)
特征工程(二) :文本数据的展开、过滤和分块
特征工程(三):特征缩放,从词袋到 TF-IDF
特征工程(四): 类别特征
特征工程(五): PCA 降维
特征工程(六): 非线性特征提取和模型堆叠
特征工程(七)：图像特征提取和深度学习
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
蚂蚁金服2018秋招-算法工程师（共四面）通过
全球AI挑战-场景分类的比赛源码(多模型融合)
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
python+flask搭建CNN在线识别手写中文网站
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
机大数据技术与机器学习工程
搜索公众号添加： datanlp
长按图片，识别二维码