TensorRt（2）快速入门介绍

TensorRt的安装，不同环境下的安装不做介绍，注意不同版本对系统和软件版本的要求。先介绍tensorrt的常规开发周期流程：

上图对应的主要三个步骤：

训练

这个部分不属于TensorRt的内容范畴。通常训练网络模型使用高性能的服务器，使用的框架常见的有Tensorflow、pytorch、caffe、mxnet等。之后被TendorRt加载或转成换能够加载的模型格式。

编译

加载第三方模型（目前仅支持onnx、caffe、uff）进行模型编译并从多个方面优化，生成序列化的engine模型，以plan形式保存。通常模型加载转换通常有三种方式：

（1）使用 TF-TRT(部署中介绍)，提供模型转换和高级运行时 API，并且能够回退到 TensorRT 不支持特定运算符的 TensorFlow 实现。

（2）自动模型转换和部署的一个更高效的选项是使用 ONNX 进行转换。ONNX是一个与框架无关的选项，可与 TensorFlow、PyTorch 等中的模型一起使用。TensorRT 支持使用 TensorRT API 从 ONNX 文件自动转换，或者使用工具 trtexec 。ONNX 转换的结果是单一的engine，比使用 TF-TRT 开销更少。

（3）使用TensorRT 网络定义 API手动构建 TensorRT engine，直接使用TensorRT 操作构建与目标模型相同的网络，之后从框架导出模型的权重并将它们加载到这个TensorRT 网络中。这种方式性能较高，可定制化，但是操作可能比较复杂，适合小型网络。

部署

加载优化后的模型到TensorRt runtime部署进行inference。

（1）TF-TRT 是 TensorRT 的高级 Python 接口，可直接与 TensorFlow 模型一起使用。TF-TRT 转换会生成一个 TensorFlow 图，其中插入了 TensorRT 操作。可以像运行任何其他使用 Python 的 TensorFlow 模型一样运行 TF-TRT 模型。

（2）TensorRT运行时 API允许最低的开销和最细粒度的控制，但 TensorRT 本身不支持的运算符必须作为插件实现（此处提供了预编写的插件库）。使用运行时 API 进行部署的最常见路径是使用框架中的 ONNX 导出，本指南的下一节将对此进行介绍。

（3）NVIDIA Triton 推理服务器是一款开源推理服务软件，使团队能够从任何框架（TensorFlow、TensorRT、PyTorch、ONNX Runtime 或自定义框架）、本地存储或谷歌云平台或任何 GPU 上的 AWS S3 部署训练有素的 AI 模型，或基于 CPU 的基础架构（云、数据中心或边缘）。它是一个灵活的项目，具有几个独特的功能 - 例如异构模型的并发模型执行和同一模型的多个副本（多个模型副本可以进一步减少延迟）以及负载平衡和模型分析。如果您必须通过 HTTP 为您的模型提供服务，这是一个不错的选择 - 例如在云推理解决方案中。您可以找到 NVIDIA Triton 推理服务器主页这里和这里的文档。

1、使用ONNX部署的示例

ONNX 转换通常是将 ONNX 模型自动转换为 TensorRT engine的最高效方式。本节将在部署预训练 ONNX 模型的背景下介绍 TensorRT 转换的五个基本步骤。

使用 ONNX 格式从 ONNX 模型库转换预训练的 ResNet-50 模型；一种与框架无关的模型格式，可以从大多数主要框架中导出，包括 TensorFlow 和 PyTorch。

1.1、导出模型

准备一个onnx模型，可以来自网络框架直接导出（见后面章节 3.1 ），也可以是onnx model zoo中直接下载：

wget https://s3.amazonaws.com/download.onnx/models/opset_8/resnet50.tar.gz
tar xzf resnet50.tar.gz

解压得到预训练的模型resnet50/model.onnx。

1.2、设置batch size批处理大小

batch size会对 TensorRT 在我们的模型上执行的优化产生很大影响。在推理优先考虑延迟时，选择小批量batch size；有线考虑吞吐量时，会考虑更大的batch size。较大的batch size需要更长的时间来处理，但由于并行操作会降低每个样本的平均处理时间。

TensorRt能够动态的处理只有运行时才确定的batch size，即固定batch size大小能够被优化。当前示例中指定为64，那么需要在tensorflow或pytorch中指定导出onnx的batch size为64。

BATCH_SIZE=64

这里下载的model.onnx预训练模型的batch size已经是被设置为64。

1.3、指定数值精度

推理通常需要比训练更少的数值精度，较低的精度可以为您提供更快的计算和更低的内存消耗，而不会牺牲有意义的准确性。支持TF32, FP32, FP16, 和 INT8。

FP32是大多数网络框架训练的默认精度，因此在推理前进行指定

import numpy as np
PRECISION = np.float32

1.4、转换模型

有多种工具可将模型从 ONNX 转换为 TensorRT engine，常见是使用附带工具trtexec ，它还能对engine进行其他分析。
通过以下命令，可以将onnx格式转换为engine格式

trtexec --onnx=resnet50/model.onnx --saveEngine=resnet_engine.trt

1.5、部署模型

成功创建engine后，可以选择 python 或 c++ 运行时api部署运行。这里使用python简化的包装器ONNXClassifierWrapper并用随机数据输入进行测试。

from onnx_helper import ONNXClassifierWrapper
import numpy as np

PRECISION = np.float32

N_CLASSES = 1000 # Our ResNet-50 is trained on a 1000 class ImageNet task
trt_model = ONNXClassifierWrapper("resnet_engine.trt", [BATCH_SIZE, N_CLASSES], target_dtype = PRECISION)

BATCH_SIZE=64
dummy_input_batch = np.zeros((BATCH_SIZE, 224, 224, 3))

predictions = trt_model.predict(dummy_input_batch)

注意，wrapper构造时并不会加载engine，只有第一次进行推理时才会进行。因此，第一次处理会有模型初始化、内部构造、硬件资源分配等耗时操作，称为warmup。

2、使用ONNX转换为engine再部署的示例

在 1、使用ONNX部署的示例 基础上， 增加其他框架转换为）ONNX模型再部署的内容。

ONNX 交换格式提供了一种从许多框架（包括 PyTorch、TensorFlow 和 TensorFlow 2）导出模型的方法，以便与 TensorRT 运行时一起使用。TensorRt 使用 ONNX 导入模型需要其模型中的运算符是被支持的，否则需要提供 不支持的任何运算符的插件实现。（可以在此处连链接找到 TensorRT 的插件库）。

2.1、导出ONNX模型

使用 ONNX 项目中的 keras2onnx 和 tf2onnx 工具，能够轻松地将 TensorFlow 模型转换导出为 ONNX 模型。

2.1.1、从TensorFlow中导出ONNX

# 从keras.applications中导入 ResNet-50 模型 . 这将加载具有预训练权重的 ResNet-50 副本。
from tensorflow.keras.applications import ResNet50
model = ResNet50(weights='imagenet')

# 将 ResNet-50 模型转换为 ONNX 格式。
import tf2onnx
model.save('my_model')
!python -m tf2onnx.convert --saved-model my_model --output temp.onnx
onnx_model = onnx.load_model('temp.onnx')

# 在 ONNX 文件中设置明确的批量大小。
# 笔记：默认情况下，TensorFlow 不会设置明确的批量大小。
import onnx
BATCH_SIZE = 64
inputs = onnx_model.graph.input
for input in inputs:
    dim1 = input.type.tensor_type.shape.dim[0]
    dim1.dim_value = BATCH_SIZE

# 保存 ONNX 文件。
model_name = "resnet50_onnx_model.onnx"
onnx.save_model(onnx_model, model_name)

2.1.1、从PyTorch中导出ONNX

# 从torchvision中导入 ResNet-50 模型. 这将加载具有预训练权重的 ResNet-50 副本。
import torchvision.models as models
resnext50_32x4d = models.resnext50_32x4d(pretrained=True)

#从 PyTorch 保存 ONNX 文件。
#注意：我们需要一批数据来保存来自 PyTorch 的 ONNX 文件。我们将使用虚拟批次。
import torch
BATCH_SIZE = 64
dummy_input=torch.randn(BATCH_SIZE, 3, 224, 224)

#保存 ONNX 文件。
import torch.onnx
torch.onnx.export(resnext50_32x4d, dummy_input, "resnet50_onnx_model.onnx", verbose=False)

2.2、ONNX 转化为 TensorRT Engine

存在两种转换方式， trtexec 和 TensorRT API， 这里以后者为例，将 resnet50_onnx_model.onnx 转换导出为 resnet_engine.trt ：

trtexec --onnx=resnet50_onnx_model.onnx --saveEngine=resnet_engine.trt

2.3、在Python运行时中部署TensorRt engine

TensorRT 有许多可用的runtime运行时。当性能很重要时，TensorRT API 是运行 ONNX 模型的好方法。在下一节中，将使用 C++ 和 Python 中的 TensorRT 运行时 API 部署更复杂的 ONNX 模型。

3、使用tensorRT runtime API

对于模型转换和部署而言，性能最高、可自定义选项的方式是使用TensorRT的运行时api。

TensorRT 包括一个带有 C++ 和 Python 绑定的独立运行时，与使用 TF-TRT 集成并在 TensorFlow 中运行相比，它们通常具有更高的性能和更可定制性。C++ API 的开销较低，但 Python API 可以很好地与 Python 数据加载器和库（如 NumPy 和 SciPy）配合使用，并且更易于用于原型设计、调试和测试。

下面使用具有 ResNet-101 主干的完全卷积模型，对任意输入分辨率的图像进行语义分割为例，说明c++和python两种情况下的runtime api使用。使用主要包含以下三个步骤：

• 准备：启动测试容器，并将从 PyTorch 模型导出的 ONNX 使用 trtexec 转换为TensorRT engine
• C++ 运行时 API：使用 engine 和 TensorRT 的 C++ API 运行inference推理
• Python 运行时 AP：使用 engine 和 TensorRT 的 Python API 运行inference推理

3.1、准备测试容器并构建 TensorRT 引擎

1、从TensorRT 开源软件存储库下载此快速入门教程的源代码。

$ git clone https://github.com/NVIDIA/TensorRT.git
$ cd TensorRT/quickstart

2、将torch.hub中FCN-Resnet-101预训练模型转换为ONNX
使用教程自带的导出脚本生成一个ONNX模型保存到fcn-resnet101.onnx，还会生成一个大小为 1282x1026 的.ppm测试图像。

• 启动 NVIDIA PyTorch 容器以运行导出脚本

   $ docker run --rm -it --gpus all -p 8888:8888 -v `pwd`:/workspace -w /workspace/SemanticSegmentation nvcr.io/nvidia/pytorch:20.12-py3 bash
  

• 运行导出脚本以将预训练模型转换为 ONNX

  $ python export.py
  

  注： FCN-ResNet-101只有一个输入维度[batch，3，height，weight]，一个输出维度 [batch，21，height，weight]，包含对应于 21 个类别标签的预测的非标准化概率。将模型导出到 ONNX 时，附加一个 argmax在输出层产生最高概率的每像素类标签。

3、使用 trtexec 工具从ONNX模型构建为TensorRT engine
trtexec 能够将onnx模型构建为tensorRt engine，并使用 运行时api部署。通过TensorRt ONNX parser加载ONNX模型构建一个TensorRT network graph网络图，之后利用TensorRT Builder API生成优化后的engine。构建过程可能耗时，通常是离线进行的。

trtexec --onnx=fcn-resnet101.onnx --fp16 --workspace=64 --minShapes=input:1x3x256x256 --optShapes=input:1x3x1026x1282 --maxShapes=input:1x3x1440x2560 --buildOnly --saveEngine=fcn-resnet101.engine

成功执行将生成一个engine文件、控制台输出一些有关成功的信息。在 TensorRT Developer Guide 中介绍了trtexec工具构建engine的各种参数。

4、可选的，可以使用trtexec工具对随机输入进行engine验证

trtexec --shapes=input:1x3x1026x1282 --loadEngine=fcn-resnet101.engine

–shapes参数用于设定推力时要求输入的动态尺寸，当成功还行时，会有类似如下输出

&&&& PASSED TensorRT.trtexec # trtexec --shapes=input:1x3x1026x1282 --loadEngine=fcn-resnet101.engine

如果提示输入名称不正确，例如minst的测试

[11/27/2022-13:42:54] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +0, now: CPU 0, GPU 0 (MiB)
[11/27/2022-13:42:54] [E] Cannot find input tensor with name "input" in the engine bindings! Please make sure the input tensor names are correct.
[11/27/2022-13:42:54] [E] Invalid tensor names found in --shapes flag.
[11/27/2022-13:42:54] [E] Inference set up failed
&&&& FAILED TensorRT.trtexec [TensorRT v8403] # trtexec.exe --shapes=input:64x1x28x28 --loadEngine=minst.trt

说明网络的输入名称不正确，可以通过Netron查看对应onnx模型的输入和输出等名称和尺寸，

将输入参数修改为 --shapes=Input3:64x1x28x28 即可正常执行。

7.2、在c++中运行运行Engine

使用测试容器编译运行c++的语义分割示例，

$ make
$ ./bin/segmentation_tutorial

后面步骤秒数如何使用 反序列化Plan （加载优化后的engine文件对象）进行前线推理inference。

1、从文件中发序列化读取TensorRT engine

std::ifstream engineFile(engine, std::ios::binary)
engineFile.seekg(0, engineFile.end);
long int fsize = engineFile.tellg();
engineFile.seekg(0, engineFile.beg);

std::vector<char> engineData(fsize);
engineFile.read(engineData.data(), fsize);

util::UniquePtr<nvinfer1::IRuntime> runtime{nvinfer1::createInferRuntime(sample::gLogger.getTRTLogger())};

util::UniquePtr<nvinfer1::ICudaEngine> mEngine(runtime->deserializeCudaEngine(engineData.data(), fsize, nullptr))

注意：TensorRT中对象销毁使用成员函数destroy()，在示例程序中使用自定义删除器deleter的智能指针管理生命周期。

struct InferDeleter
{
    template <typename T>
    void operator()(T* obj) const {
        if (obj) obj->destroy();
    }
};

template <typename T>
using UniquePtr = std::unique_ptr<T, util::InferDeleter>;

2.TensorRT 执行上下文 context封装了执行状态，例如用于在推理期间保存中间激活张量的持久设备内存。
由于分割模型是在启用动态形状的情况下构建的，因此必须为推理执行指定输入的形状。可以查询network输出形状以确定输出缓冲区的相应维度。

auto input_idx = mEngine->getBindingIndex("input");
assert(mEngine->getBindingDataType(input_idx) == nvinfer1::DataType::kFLOAT);

auto input_dims = nvinfer1::Dims4{1, 3 /* channels */, height, width};

context->setBindingDimensions(input_idx, input_dims);

auto input_size = util::getMemorySize(input_dims, sizeof(float));

auto output_idx = mEngine->getBindingIndex("output");
assert(mEngine->getBindingDataType(output_idx) == nvinfer1::DataType::kINT32);

auto output_dims = context->getBindingDimensions(output_idx);

auto output_size = util::getMemorySize(output_dims, sizeof(int32_t));

注意：network中 I/O 的绑定索引可以按名称查询。

3. 在准备推理时，为所有输入和输出分配 CUDA 设备内存，处理图像数据并将其复制到输入内存中，并生成引擎绑定列表
对于语义分割，输入图像数据通过使用均值归一化[0.485, 0.456, 0.406]和标准偏差 [0.229, 0.224, 0.225] 拟合到[0, 1]。 请参阅输入预处理要求火炬视觉模型在这里。当前模型输入的预处理要求可以参看torchvision models。 此操作由实用程序类RGBImageReader抽象实现。

void* input_mem{nullptr};
cudaMalloc(&input_mem, input_size);

void* output_mem{nullptr};
cudaMalloc(&output_mem, output_size); 

const std::vector<float> mean{0.485f, 0.456f, 0.406f};
const std::vector<float> stddev{0.229f, 0.224f, 0.225f};

auto input_image{util::RGBImageReader(input_filename, input_dims, mean, stddev)};
input_image.read();

auto input_buffer = input_image.process();

cudaMemcpyAsync(input_mem, input_buffer.get(), input_size, cudaMemcpyHostToDevice, stream);

4. 使用上下文context的启动推理执行 executeV2 或者enqueueV2 方法
执行完成后，我们将结果复制回主机缓冲区并释放所有设备内存分配。

void* bindings[] = {input_mem, output_mem};
bool status = context->enqueueV2(bindings, stream, nullptr);
auto output_buffer = std::unique_ptr<int>{new int[output_size]};
cudaMemcpyAsync(output_buffer.get(), output_mem, output_size, cudaMemcpyDeviceToHost, stream);
cudaStreamSynchronize(stream);

cudaFree(input_mem);
cudaFree(output_mem);

5. 使用伪彩色可视化并保存到.ppm文件
此操作由实用程序类ArgmaxImageWriter抽象实现。

const int num_classes{21};
const std::vector<int> palette{
   (0x1 << 25) - 1, (0x1 << 15) - 1, (0x1 << 21) - 1};
auto output_image{util::ArgmaxImageWriter(output_filename, output_dims, palette, num_classes)};
output_image.process(output_buffer.get());
output_image.write();

前面的测试图像进行语义分割后的处理结果为

3.3. 在Python中运行Engine

安装python依赖包

$ pip install pycuda

启动 Jupyter 并使用提供的令牌通过浏览器登录 http://:8888

$ jupyter notebook --port=8888 --no-browser --ip=0.0.0.0 --allow-root

打开tutorial-runtime.ipynb笔记本并按照其步骤操作。

Python环境下的运行时 runtime api 是 c++ api的隐射，参见Running an Engine in C++。