????????TensorRT是Nvidia為了加速基于自家GPU訓(xùn)練模型的推理而設(shè)計的，當(dāng)我們將模型訓(xùn)練好后，TensorRT可以直接對模型進(jìn)行網(wǎng)絡(luò)層的一一對應(yīng)，從而加速比較大模型的推理部署。最近使用TensorRT加速了一些模型，我將用兩篇文章對使用過程和其中遇到的坑進(jìn)行記錄說明。本篇文章將對通用模型的TensorRT轉(zhuǎn)換進(jìn)行一個記錄，對transformer類模型的轉(zhuǎn)換我們將在下一篇文章進(jìn)行記錄。本文記錄的安裝基于TensorRT6.0。

1、 TensorRT的安裝

1.1 官網(wǎng)下載安裝包

? ? ? ? 首先，我們可以到nvidia官網(wǎng)的tensorrt專區(qū)進(jìn)行安裝包的下載，網(wǎng)址是https://developer.nvidia.com/nvidia-tensorrt-download，因為我使用的ubuntu版本是18.04，python版本是3.6，cuda版本是10.1，我選擇了TensorRT 6.0.1.5 GA for Ubuntu 18.04 and CUDA 10.1 tar package這一版。在官網(wǎng)中有對系統(tǒng)版本和python版本的對照關(guān)系進(jìn)行說明，可自行對照。

1.2 安裝TensorRT和pycuda

? ? ? ? 在安裝TensorRT之前，我們首先使用pip安裝pycuda

pip install pycuda

? ? ? ? 然后我們進(jìn)行TensorRT的安裝。

## 解壓安裝包tar zxvf TensorRT-6.0.1.5.Ubuntu-18.04.x86_64-gnu.cuda-10.1.cudnn7.6.tar## 將TensorRT的庫安裝到系統(tǒng)庫中sudo cp -r ~/TensorRT-6.0.1.5/lib/* /usr/libsudo cp -r ~/TensorRT-6.0.1.5/include/* /usr/include# 安裝TensorRTpip install ~/TensorRT-6.0.1.5/python/tensorrt-6.0.1.5-cp36-none-linux_x86_64.whl # 安裝UFF,這是轉(zhuǎn)換模型的工具pip install ~/TensorRT-6.0.1.5/uff/uff-0.6.5-py2.py3-none-any.whl # 安裝graphsurgeonpip install  ~/TensorRT-6.0.1.5/graphsurgenon/graphsurgeon-0.4.1-py2.py3-none-any.whl#最后，我們將TensorRT的lib絕對路徑添加到環(huán)境變量中export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/TensorRT-6.0.1.5/lib

?????????到此為止我們就安裝好了TensorRT，沒有遇到任何坑。使用下述語句可以測試我們是否安裝成功。

import tensorrtimport uff

2、 TensorRT的使用

? ? ? ? 我們使用TensorRT給的例子end_to_end_tensorflow_mnist進(jìn)行簡單的使用說明。

## 首先，我們進(jìn)入例子代碼cd ~/TensorRT-6.0.1.5/samples/python/end_to_end_tensorflow_mnist## 然后，我們建一個models的文件夾mkdir models## 運行model.py文件，我們可以在models文件夾中獲得lenet5.pbpython models.py## 進(jìn)行模型轉(zhuǎn)換convert-to-uff ./models/lenet5.pb

????????此時我們會得到模型生成的pb文件，然后我們使用convert-to-uff進(jìn)行模型轉(zhuǎn)換，但會遇到下面的錯誤?

bash: convert-to-uff: command not found

????????我們使用https://forums.developer.nvidia.com/t/convert-to-uff-command-not-found/116782中給出的解決方法進(jìn)行處理。

UFF_PATH="$(python -c "import uff; print(uff.__path__[0])")"chmod +x ${UFF_PATH}/bin/convert_to_uff.pyln -sf ${UFF_PATH}/bin/convert_to_uff.py /usr/local/bin/convert-to-uff

? ? ? ? 此時重新運行轉(zhuǎn)換語句便可以對模型進(jìn)行轉(zhuǎn)化，我們會在models文件夾下得到lenet5.uff文件。

## 測試轉(zhuǎn)化的模型python sample.py

? ? ? ? 遇到問題Could not find 8.pgm. Searched in data paths: ["~/Tensorrt-6.0.1.5/data/mnist"]，參照https://github.com/NVIDIA/TensorRT/issues/256#issuecomment-568382745進(jìn)行問題解答。

python /opt/tensorrt/data/mnist/generate_pgms.py -d /opt/tensorrt/data/mnist/train-images-idx3-ubyte -l /opt/tensorrt/data/mnist/train-labels-idx1-ubyte -o /opt/tensorrt/data/mnist

? ? ? ? 但我們會發(fā)現(xiàn)train-images-idx1-ubyte和train-labels-idx1-ubyte這兩個文件夾是不存在的，我們可以去https://github.com/Manuel4131/GoMNIST/tree/master/data這個網(wǎng)址進(jìn)行下載，然后使用gzip -d命令解壓在對應(yīng)的文件夾中。

? ? ? ? 當(dāng)我們上述步驟都運行完后，我們就可以重新運行python sample.py。此時我們便可以得到運行結(jié)果了。

3、 總結(jié)

? ? ? ? 在本篇文章中，我們對tensorrt的安裝和簡單使用進(jìn)行了說明。但筆者主要是從事NLP方向，希望加速的模型是bert類模型。直接使用convert-to-uff只能對簡單的網(wǎng)絡(luò)層進(jìn)行轉(zhuǎn)換，并不能對transformer進(jìn)行轉(zhuǎn)換。因此在下一篇文章中，筆者將記錄使用TensorRT轉(zhuǎn)換bert類模型的步驟和在其中遇到的坑。