🦊TensorRT的Python接口解析

本章从 ONNX 模型开始,说明 Python API 的基本用法。 onnx_resnet50.py示例更详细地说明了这个用例。

Python API 可以通过tensorrt模块访问：

import tensorrt as trt

The Build Phase

要创建构建器，您需要首先创建一个记录器。 Python 绑定包括一个简单的记录器实现，它将高于某一级别的所有消息记录到stdout 。

logger = trt.Logger(trt.Logger.WARNING)

或者，可以通过从ILogger类派生来定义自己的logger实现：

class MyLogger(trt.ILogger):
    def __init__(self):
       trt.ILogger.__init__(self)

    def log(self, severity, msg):
        pass # Your custom logging implementation here

logger = MyLogger()

然后，创建一个构建器：

builder = trt.Builder(logger)

由于创建引擎是一个离线过程，因此可能需要花费大量时间。请参阅 "优化生成器性能 "部分，了解如何使builder运行得更快。

Creating a Network Definition in Python

创建生成器后，优化模型的第一步就是创建网络定义：

network = builder.create_network(1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH))

要使用 ONNX 导入模型，必须使用 EXPLICIT_BATCH 标志。有关详细信息，请参阅 "显式批处理与隐式批处理 "部分。

Importing a Model using the ONNX Parser

现在，需要从 ONNX 表示中填充网络定义。您可以创建一个 ONNX 解析器来填充网络，如下所示：

parser = trt.OnnxParser(network, logger)

然后，读取模型文件并处理错误：

success = parser.parse_from_file(model_path)
for idx in range(parser.num_errors):
    print(parser.get_error(idx))

if not success:
    pass # Error handling code here

Building an Engine

下一步是创建一个配置，指定 TensorRT 应该如何优化模型：

config = builder.create_builder_config()

这个接口有很多属性，你可以设置这些属性来控制 TensorRT 如何优化网络。一个重要的属性是最大工作空间大小。层实现通常需要一个临时工作空间，并且此参数限制了网络中任何层可以使用的最大大小。如果提供的工作空间不足，TensorRT 可能无法找到层的实现：

config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, 1 << 20) # 1 MiB

指定配置后，可以使用以下命令构建和序列化引擎：

serialized_engine = builder.build_serialized_network(network, config)

将引擎保存到文件以供将来使用。你可以这样做：

with open(“sample.engine”, “wb”) as f:
    f.write(serialized_engine)

注意：序列化引擎不能跨平台移植。除平台外，引擎还与所构建的 GPU 型号相关。

Deserializing a Plan

要执行推理，首先需要使用Runtime接口反序列化引擎。与构建器一样，运行时需要logger的实例。

runtime = trt.Runtime(logger)

然后，可以从内存缓冲区反序列化引擎：

engine = runtime.deserialize_cuda_engine(serialized_engine)

如果需要首先从文件加载引擎，请运行：

with open(“sample.engine”, “rb”) as f:
    serialized_engine = f.read()

Performing Inference

引擎拥有优化后的模型，但要执行推理需要额外的中间激活状态。这是通过IExecutionContext接口完成的：

context = engine.create_execution_context()

一个引擎可以有多个执行上下文，允许一组权重用于多个重叠的推理任务。 （一个例外是使用动态形状时，每个优化配置文件只能有一个执行上下文。）

要执行推理，必须为输入和输出指定缓冲区：：

context.set_tensor_address(name, ptr)

有几个 Python 软件包允许在 GPU 上分配内存，包括但不限于官方的 CUDA Python 、PyTorch、cuPy 和 Numba。

填充输入缓冲区后，可以调用 TensorRT 的 execute_async_v3 方法，开始使用 CUDA 流进行推理。网络是否以异步方式执行取决于网络的结构和特性。例如，数据的维度、DLA 使用、循环和同步插件等都可能导致同步行为。

首先，创建 CUDA 数据流。如果已经有一个 CUDA 流，则可以使用指向现有流的指针。例如，对于 PyTorch CUDA 流（即 torch.cuda.Stream()），可以使用 cuda_stream 属性访问指针；对于 Polygraphy CUDA 流，可以使用 ptr 属性；也可以通过调用 cudaStreamCreate() 直接使用 CUDA Python 绑定创建流。接下来，开始推理：

context.execute_async_v3(buffers, stream_ptr)

在内核之前和之后启动异步传输（cudaMemcpyAsync()）是很常见的做法，以便从 GPU 转移数据。

要确定推理（和异步传输）何时完成，可使用标准的 CUDA 同步机制，如事件或在流上等待。例如，对于 PyTorch CUDA 流或 Polygraphy CUDA 流，可发出 stream.synchronize()。对于使用 CUDA Python 创建的流，请执行 cudaStreamSynchronize(stream)。