TensorRT 4 开发者手册中文版自定义层/混合精度校准/部署（三-5）

梦里梦外; 2022-05-15 05:41 599阅读 0赞

原创作品，转载时请务必以超链接形式标明文章原始出处: [http://www.dapalm.com/?p=206][http_www.dapalm.com_p_206],作者：[大数据，怕了么?][Link 1]

本手册为TensorRT 4.0.1.6 GA版英文手册翻译而来，博主英文水平一般般，主要作为备忘所用，分享出来以供更多开发者使用。TensorRT Developer Guide手册一共分为四个章节，主要内容在第二、三章，看懂这两章，写代码够用了。第一章为TensorRT综述，就是自吹有多牛逼。第四章为示例，介绍demo的代码结构及功能。开篇是目录，前三章每章为两到三篇，最后第四章示例，会拆分几个关键示例进行详细说明。  
　　这是第二章最后一部分内容，关于自定义层、混合精度校准、部署。前两个非常重要需要通过具体编程来体会。尤其是自定义层一个新的模型是否能够部署，现阶段一定要保证常见层是支持int8量化的，不然对性能影响很大。

*  第二章 TensorRT任务
    
     *  2.14 通过自定义层拓展TensorRT
        
         *  2.14.1 使用C++API添加自定义层
         *  2.14.2 从框架中导入模型时使用自定义层
     *  2.15 混合精度工作模式
        
         *  2.15.1 使用C++使能FP16推理
         *  2.15.2 使用Python使能FP16推理
         *  2.15.3 使用C++ API 优化INT8校准
         *  2.15.4 使用Python优化INT8校准
     *  2.16 部署TensorRT优化模型
        
         *  2.16.1 部署云
         *  2.16.2 部署嵌入式系统

# 第二章 TensorRT任务 #

## 2.14 通过自定义层拓展TensorRT ##

TensorRT支持多种类型的层，其功能不断扩展; 但是，可能存在支持的层不满足模型的特定需求。 在这种情况下，用户可以通过使用C ++ API实现自定义层来扩展TensorRT功能。 自定义层（通常称为插件）由应用程序实现和实例化，它们必须跨越TensorRT引擎的生命周期。

### 2.14.1 使用C++API添加自定义层 ###

通过扩展IPluginExt类来实现自定义层。 尽管用户在4.0.1.6版本之前的TensorRT中使用IPlugin类，但现在建议用户扩展IPluginExt类，它包括版本控制（以便在未来的TensorRT版本中保持插件的可移植性），并支持除NCHW和单精度之外支持其他数据格式的自定义层。 本节的其余部分是关于IPluginExt类型插件的使用，它除了支持多数据格式外，其他与IPlugin类型插件基本相同。  
　　`注：IPlugin类型插件只支持单精度NCHW张量。`  
　　插件层使用addPluginExt成员函数（请参考TensorRT API）添加到TensorRT网络中，该方法创建并向网络添加层，然后将层绑定到给定插件。 该方法还返回一个指向图层（IPluginLayerExt类型）的指针，该指针可用于访问层或插件本身（通过getPluginExt）。  
要将插件层正确连接到相邻图层，并设置输入和输出数据结构，构建器会调用插件成员函数来检查输出的数量及其维度：

getNbOutputs

用于指定输出张量的数量。

getOutputDimensions

用于指定输出维度作为相邻下一层的输入维度的函数。  
　　此外，在构建阶段中，网络被构造和分析去生成引擎，并且该插件检查支持格式：

supportsFormat

用于检查插件是否支持给定的数据格式。  
　　插件层可以支持四种数据格式和布局，分别是单精度NCHW、半精度NCHW、半精度NC/2HW2和半精度NHWC8张量。这些格式由PluginFormatType枚举。  
　　除了输入和输出张量之外，插件层不进行原位计算（in-place），这需要通过getWorkspaceSize成员函数来指定额外内存空间的要求，以便构建器调用该成员函数来确定和预分配临时空间。  
　　在构建和推理期间，插件层可能被多次配置和执行。在构建时，为了发现最佳配置，该插件层被配置，初始化，执行和终止。一旦插件层选择了最佳格式，它将再次配置，然后被初始化一次，在推理生命周期内执行多次，并最终在引擎被销毁时终止。这些步骤由构建器和引擎使用插件成员函数控制：

configureWithFormat

传递输入和输出数量，维度，数据类型，格式和最大批大小。 此时，插件设置其内部状态，并为给定配置选择最合适的算法和数据结构。

initialize

已知配置以后，将创建推理引擎，因此插件可以设置内部数据结构并为执行作准备。

enqueue

调用封装算法和核函数的插件，并提供运行时批大小，指向输入，输出和暂存空间的指针，以及用于核函数执行的CUDA流。

terminate

销毁引擎上下文并释放插件保存的所有资源。

2.5节Serializing A Model In C++中介绍了引擎的序列化和反序列化，实现存储和部署引擎（例如，避免在部署中重复构建阶段）。为了支持这种功能，插件还必须支持序列化和反序列化;这是通过实现getSerializationSize来返回存储插件的状态所需的大小（包括相关的配置细节）和实现serialize将状态存储到给定的缓冲区中。当引擎被序列化时，它将首先检查插件的序列化大小，然后序列化提供所需大小的缓冲区的插件。

反序列化需要额外的IPluginFactory来识别插件层并实例化相应的插件对象。在运行时，请参考Serializing A Model In C++中序列化模型，反序列化引擎，它使用插件工厂createPlugin成员函数为给定的层名称和序列化图像创建插件对象。

C ++ API也可用于创建在Python中使用的自定义层。 C ++是实现自定义层的首选语言（例如，轻松访问CUDA和cuDNN等库）。可以使用Python setuptools中的SWIG插件打包在C ++中创建的自定义层，然后可以将插件加载到Python应用程序中（请参考使用Python API和TensorRT Python绑定创建网络）。相同的自定义层实现可用于C ++和Python。

### 2.14.2 从框架中导入模型时使用自定义层 ###

自定义层也可以被集成到模型解析器，用于导入模式时使用。扩展解析，需要用户指定特定的解析器工厂，请参考2.2节Creating A Network Definition In C++和2.9节Creating A Network Definition In Python。  
命名空间nvcaffeparser1和nvuffparser，分别用于Caffe和UFF，包括一个IPluginFactoryExt类（和IPluginFactory），它补充了命名空间nvinfer1中定义的IPluginFactoryExt。 要在解析器中使用，插件工厂必须扩展通用类和特定的解析器工厂类。  
　　解析器的setPluginFactoryExt方法在解析器中设置工厂来启用自定义层。 在解析模型描述时，对于每个层，解析器调用isPluginExt来检查工厂是否对应于自定义层; 如果是，解析器调用createPlugin来实例化对应层名称的插件层，权重数组和权重数（和UFF的FieldCollection）作为参数。 如果单个工厂与不同的层名称关联，则单个工厂可以支持的插件数量没有限制。  
　　示例samplePlugin详细说明了自定义层的使用以及如何扩展Caffe解析器。

## 2.15 混合精度工作模式 ##

混合精度是在计算中不同数值精度的组合使用。 TensorRT可以存储权重和激活，并以32位浮点，16位浮点或量化的8位整数执行网络。  
　　使用低于FP32的精度可减少内存使用，允许部署更大的网络。 数据传输花费的时间更少，计算性能也会提高，尤其是在Tensor Core支持该精度的GPU上。  
默认情况下，TensorRT使用FP32推理，但它也支持FP16和INT8。 在运行FP16推理时，它会自动将FP32权重转换为FP16权重。  
　　`注：一般直接指定应用程序所使用的网络的最小可接受精度。 如果对于某些特定的核函数参数集更快，或者如果不存在低精度核函数，则可以选择更高精度的核函数。`

### 2.15.1 使用C++使能FP16推理 ###

构建器设置Fp16Mode标志，表明16位精度可被接受。

builder->setFp16Mode(true);

这个标志表示允许，但是不保证在构建引擎时一定能使用16位核函数。  
　　指定权重FP16或FP32精度，它们将自动转换为适当的计算精度。有关运行FP16推断的示例，请参考示例sampleGoogleNet。

### 2.15.2 使用Python使能FP16推理 ###

在Python中设置fp16mode标志如下：

builder.set_fp16_mode(True)

更多信息，请参考示例sample\_onnx、sampleMNIST、pytorch\_to\_trt。

### 2.15.3 使用C++ API 优化INT8校准 ###

当使用8位量化表示时，TensorRT需要理解每个激活张量的动态范围，以便它可以选择适当的量化缩放比例（scale）。  
　　确定这些缩放比例因子的过程称为校准，并要求应用程序为网络传递批量代表性输入（通常来自训练集的批次）。实验表明，大约500张图像足以校准ImageNet分类网络。  
　　提供校准数据给TensorRT，请实现IInt8Calibrator接口。构建器调用校准器如下：  
　　　‣首先，它调用getBatchSize()来确定所期望的输入批大小  
　　　‣然后，它反复调用getBatch()来获取批数据输入。批数据是getBatchSize()的批大小。当没有批数据时，getBatch()应该返回false。  
　　校准可能很慢，因此，IInt8Calibrator接口提供了缓存中间数据的方法。有效地使用这些方法需要更详细地了解校准。  
　　构建INT8引擎时，构建器执行以下步骤：  
　　　1. 构建一个32位引擎，在校准集上运行它，并记录激活值分布的每个张量的直方图。  
　　　2. 从直方图构建校准表。  
　　　3. 根据校准表和网络定义构建INT8引擎。  
　　校准表可以缓存。在多次构建同一网络时（例如，在多个平台上），缓存非常有用。它捕获从网络和校准集派生的数据。参数记录在表中。如果网络或校准集发生更改，则应用程序负责使缓存无效。  
　　缓存使用如下：  
　　　‣如果找到校准表，则跳过校准，否则：  
　　　‣校准表由直方图和参数构成  
　　　‣然后INT8网络由网络定义和校准表构建。  
　　缓存数据使用指针和长度来传递。  
　　在实现了校准器后，你可以配置构建器去使用它：

builder->setInt8Mode(true);
    builder->setInt8Calibrator(calibrator);

使用writeCalibrationCache()和readCalibrationCache()成员函数来缓存和读取校准缓存文件。 构建器在执行校准之前检查缓存，如果找到缓存文件，则跳过校准。  
　　有关配置INT8 Calibrator对象的更多信息，请参考示例sampleINT8。

### 2.15.4 使用Python优化INT8校准 ###

示例说明如何使用Python API创建INT8 Calibrator对象。默认情况下，TensorRT支持INT8校准。  
　　1.导入TensorRT，就像导入任何其他包一样：

import tensorrt as trt

2.类似的，测试/验证文件作为校准数据集来使用。确保校准数据代表整体推断数据。要让TensorRT使用校准数据，我们需要创建批处理流对象。 Batchstream对象将用于配置校准器。

NUM_IMAGES_PER_BATCH = 5
    batchstream = ImageBatchStream(NUM_IMAGES_PER_BATCH，calibration_files)

3.使用输入节点名称和批处理流创建Int8\_calibrator对象：

Int8_calibrator = trt.infer.EntropyCalibrator([“input_node_name”]，batchstream)

4.设置INT8模式和INT8校准器：

trt_builder = trt.infer.create_infer_builder(G_LOGGER)
    trt_builder.set_int8_mode(True)
    trt_builder.set_int8_calibrator(Int8_calibrator)

引擎创建和推理的其余逻辑类似于2.9.4节Importing From ONNX Using Python。

## 2.16 部署TensorRT优化模型 ##

在创建包含优化推理模型的计划文件后，可以将该文件部署到生产环境中。 如何创建和部署计划文件取决于您的环境。 例如，您可以为模型提供专用推理可执行文件，用于加载计划文件，然后使用TensorRT API将输入数据传递给模型，执行模型完成推理，最后从模型中读取输出。  
本节讨论如何在一些常见的部署环境中部署TensorRT。

### 2.16.1 部署云 ###

用于推理的一种常见云部署策略是通过为模型实现HTTP REST或gRPC端点的服务器去公开模型。 然后，远程客户端可以通过向该端点发送格式正确的请求来执行推理。 该请求将选择模型，提供模型所需的输入张量值，并指出应该计算哪些模型作为输出。  
　　要在此部署策略中利用TensorRT优化模型，不需要进行任何根本性更改。 必须更新推理服务器以接受由TensorRT计划文件表示的模型，并且必须使用TensorRT API来加载和执行这些计划文件。 可以在[NVIDIA Inference Server Container][]和[Inference Server User Guide][NVIDIA Inference Server Container]中找到为推理提供REST终结点的推理服务器示例。

### 2.16.2 部署嵌入式系统 ###

TensorRT也可用于将经过训练好的网络部署到嵌入式系统，如NVIDIA Drive PX。在上下文中，部署意味着获取网络并在嵌入式设备上运行和使用软件应用程序，例如对象检测或地图服务。将训练好的网络部署到嵌入式系统涉及以下步骤：  
　　1.将训练好的网络导出为UFF或ONNX等可导入TensorRT的格式（有关详细信息，请参考第三章Working With Deep Learning Frameworks）。  
　　2.编写一个程序，使用TensorRT C ++ API将训练好的网络导入，优化和序列化为计划文件（请参考3.Working With Deep Learning Frameworks、2.15.Working With Mixed Precision和2.6.Performing Inference In C++）。出于讨论的目的，我们将此程序称为make\_plan`(生成计划文件)`。  
　　　a）（可选）执行INT8校准并导出校准缓存（请参考2.15.Working With Mixed Precision）。  
　　3.在部署到目标系统之前，在主机系统上构建并运行make\_plan验证训练好的模型。  
　　4.将`训练好的网络`和`INT8校准缓存`复制到目标系统。在目标系统上`重新`构建并重新运行make\_plan程序以生成计划文件。  
　　`注：make_plan程序必须在目标系统上运行才能为该系统正确优化TensorRT引擎。 但是，如果在主机上生成INT8校准高速缓存，则在生成引擎时，构建器可以在目标上重新使用高速缓存（换句话说，不需要在目标系统本身上进行INT8校准）。`  
　　计划文件被生成后，嵌入式应用可以使用[TensorRT C++ API][TensorRT C_ API]利用计划文件创建引擎执行推理。更多信息，参考2.6Performing Inference In C++。  
　　典型用例，参考：  
　　‣[Deploying INT8 Inference For Autonomous Vehicles][] for DRIVE PX  
　　‣[GitHub][] for Jetson and Jetpack

[http_www.dapalm.com_p_206]: http://www.dapalm.com/?p=206
[Link 1]: http://www.dapalm.com
[NVIDIA Inference Server Container]: https://docs.nvidia.com/deeplearning/dgx/
[TensorRT C_ API]: https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/index.html#api
[Deploying INT8 Inference For Autonomous Vehicles]: https://devblogs.nvidia.com/int8-inference-autonomous-vehicles-tensorrt/
[GitHub]: https://github.com/dusty-nv/jetson-inference