深度学习算法优化系列十七 | TensorRT介绍，安装及如何使用？

BBuf

发布于 2020-03-06 10:19:13

5.2K0

发布于 2020-03-06 10:19:13

文章被收录于专栏：GiantPandaCVGiantPandaCV

1. 前言

由于前期OpenVINO的分享已经基本做完了，笔者也可以成功的在CPU和Intel神经棒上完整的部署一些工作了，因此开始来学习TensorRT啦。先声明一下我使用的TensorRT版本是TensorRT-6.0.1.5 。

2. 介绍

TensorRT是NVIDIA推出的一个高性能的深度学习推理框架，可以让深度学习模型在NVIDIA GPU上实现低延迟，高吞吐量的部署。TensorRT支持Caffe，TensorFlow，Mxnet，Pytorch等主流深度学习框架。TensorRT是一个C++库，并且提供了C++ API和Python API，主要在NVIDIA GPU进行高性能的推理(Inference)加速。

Figure1. TensorRT是一个高性能的神经网络推理优化器和运行时引擎

当前，TensorRT6.0已经支持了很多深度学习框架如Caffe/TensorFlow/Pytorch/MxNet。对于Caffe和TensorFlow的网络模型解析，然后与TensorRT中对应的层进行一一映射，然后TensorRT可以针对NVIDIA的GPU进行优化并进行部署加速。不过，对于Caffe2，Pytorch，MxNet，Chainer，CNTK等深度学习框架训练的模型都必须先转为ONNX的通用深度学习模型，然后对ONNX模型做解析。另外TensorFlow/MxNet/MATLAB都已经将TensorRT集成到框架中去了。

ONNX是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch, MXNet）可以采用相同格式存储模型数据并交互。ONNX的规范及代码主要由微软，亚马逊，Facebook 和 IBM 等公司共同开发，以开放源代码的方式托管在Github上。目前官方支持加载ONNX模型并进行推理的深度学习框架有：Caffe2, PyTorch, MXNet，ML.NET，TensorRT 和 Microsoft CNTK，并且 TensorFlow 也非官方的支持ONNX。---维基百科

TensorRT是一个可编程的推理加速器

ONNX/TensorFlow/Custom Framework等模型的工作方式如下：

ONNX Workflow V1

3. TensorRT支持的Layer

3.1 Caffe

这些是Caffe框架中支持的OP。

BatchNormalization。
BNLL。
Clip。
Concatenation。
Convolution。
Crop。
Deconvolution。
Dropout。
ElementWise。
ELU。
InnerProduct。
Input。
LeakyReLU。
LRN。
Permute。
Pooling。
Power。
Reduction。
ReLU，TanH，和Sigmoid。
Reshape。
SoftMax。
Scale。

3.2 TensorFlow

这些是TensorFlow中支持的OP。

Add, Sub, Mul, Div, Minimum and Maximum。
ArgMax。
ArgMin。
AvgPool。
BiasAdd。
Clip。
ConcatV2。
Const。
Conv2d。
ConvTranspose2D。
DepthwiseConv2dNative。
Elu。
ExpandDims。
FusedBatchNorm。
Identity。
LeakyReLU。
MaxPool。
Mean。
Negative, Abs, Sqrt, Recip, Rsqrt, Pow, Exp and Log。
Pad is supported if followed by one of these TensorFlow layers: Conv2D, DepthwiseConv2dNative, MaxPool, and AvgPool.
Placeholder
ReLU, TanH, and Sigmoid。
Relu6。
Reshape。
ResizeBilinear, ResizeNearestNeighbor。
Sin, Cos, Tan, Asin, Acos, Atan, Sinh, Cosh, Asinh, Acosh, Atanh, Ceil and Floor。
Selu。
Slice。
SoftMax。
Softplus。
Softsign。
Transpose。

3.3 ONNX

因为篇幅有限，就不列举了，可以自己去看官方文档。

除了上面列举的层，如果我们的网络中有自定义的Layer，这个时候咋办呢？TensorRT中有一个 Plugin 层，这个层提供了 API 可以由用户自己定义TensorRT不支持的层。 如下图所示：

TensorRT自定义层

4. 为什么TensorRT能让模型跑的快？

这一问题的答案就隐藏下面这张图中：

TensorRT优化训练好的神经网络模型以产生可部署的运行时推理引擎

从图上可以看到，TensorRT主要做了下面几件事，来提升模型的运行速度。

TensorRT支持FP16和INT8的计算。我们知道深度学习在训练的时候一般是应用32位或者16位数据，TensorRT在推理的时候可以降低模型参数的位宽来进行低精度推理，以达到加速推断的目的。这在后面的文章中是重点内容，笔者经过一周的研究，大概明白了TensorRT INT8量化的一些细节，后面会逐渐和大家一起分享讨论。
TensorRT对于网络结构进行重构，把一些能够合并的运算合并在了一起，针对GPU的特性做了优化。大家如果了解GPU的话会知道，在GPU上跑的函数叫Kernel，TensorRT是存在Kernel的调用的。在绝大部分框架中，比如一个卷积层、一个偏置层和一个reload层，这三层是需要调用三次cuDNN对应的API，但实际上这三层的实现完全是可以合并到一起的，TensorRT会对一些可以合并网络进行合并；再比如说，目前的网络一方面越来越深，另一方面越来越宽，可能并行做若干个相同大小的卷积，这些卷积计算其实也是可以合并到一起来做的。(加粗的话转载自参考链接1)。
然后Concat层是可以去掉的，因为TensorRT完全可以实现直接接到需要的地方。
Kernel Auto-Tuning：网络模型在推理计算时，是调用GPU的CUDA核进行计算的。TensorRT可以针对不同的算法，不同的网络模型，不同的GPU平台，进行 CUDA核的调整，以保证当前模型在特定平台上以最优性能计算。
Dynamic Tensor Memory 在每个tensor的使用期间，TensorRT会为其指定显存，避免显存重复申请，减少内存占用和提高重复使用效率。
不同的硬件如P4卡还是V100卡甚至是嵌入式设备的卡，TensorRT都会做优化，得到优化后的engine。

下面是一个原始的Inception Block，首先input后会有多个卷积，卷积完后有Bias和ReLU，结束后将结果concat到一起，得到下一个input。我们一起来看一下使用TensorRT后，这个原始的计算图会被优化成了什么样子。

首先，在没有经过优化的时候Inception Block如Figure1所示：

Figure1，原始的Inception Block

第二步，对于网络结构进行垂直整合，即将目前主流神经网络的conv、BN、Relu三个层融合为了一个层，所谓CBR，合并后就成了Figure2中的结构。

Figure2，垂直Fuse

第三步，TensorRT还可以对网络做水平组合，水平组合是指将输入为相同张量和执行相同操作的层融合一起，下面的Figure3即是将三个相连的的CBR为一个大的的CBR。

Figure3，水平Fuse

最后，对于concat层，将contact层的输入直接送入下面的操作中，不用单独进行concat后在输入计算，相当于减少了一次传输吞吐，然后就获得了如Figure4所示的最终计算图。

Figure4，最终计算图

除了计算图和底层优化，最重要的就是低精度推理了，这个后面会细讲的，我们先来看一下使用了INT8低精度模式进行推理的结果展示：包括精度和速度。来自NIVIDA提供的PPT。

TensorRT INT8量化在主流网络上的精度对比

TensorRT INT8量化在主流网络上的速度对比

5. TensorRT的安装

我是用的是TensorRT-6.0.1.5，由于我在Windows10上使用的，所以就去TensorRT官网https://developer.nvidia.com/tensorrt下载TensorRT6的Windows10安装包，这里我选择了Cuda9.0的包，这也就意味着我必须要安装Cudnn7.5及其以上，我这里选择了Cudnn7.6进行了安装。关于Cuda和Cudnn的安装就不说了，非常简单。安装TensorRT具体有以下步骤：

下载TensorRT-6.0.1.5安装包并解压。
将lib文件夹下面的dll(如下图所示，)都拷贝到cuda文件夹下的bin目录下，我是默认安装了cuda9.0，所以我的cuda下的bin目录的路径是：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin。

TensorRT lib目录

然后这就安装成功了，为了验证你有没有成功，请使用VSCode 2015/2017打开sample_mnist.sln解决法案，我的目录是：F:\TensorRT-6.0.1.5\samples\sampleMNIST。
打开VS工程属性，将目标平台版本改成8.1以及平台工具及改成Visual Studio 2015(v140)。然后用Release编译，这样你就会在F:\TensorRT-6.0.1.5\bin下面生成一个sample_mnist.exe了。

sampleMNIST工程属性

进入F:\TensorRT-6.0.1.5\data\mnist文件夹，打开里面的README.md，下载MNIST数据集到这个文件夹下并解压，实际上只用下载train-images-idx3-ubyte.gz和train-labels-idx1-ubyte.gz就可以了。然后执行generate_pgms.py这个python文件，就会在这个文件夹下获得0-9.pgm10张图片，数字分别是0-9。
打开命令行测试一下上面的demo。命令如下：

>F:\TensorRT-6.0.1.5\bin\sample_mnist.exe --datadir=F:\TensorRT-6.0.1.5\data\mnist

获得的结果如下：

2.pnm得到的预测结果位3，预测正确

6. TensorRT使用流程

这里先看一下TensorRT最简单的使用流程，后面复杂的应用部署也是以这个为基础的，在使用TensorRT的过程中需要提供以下文件(以Caffe为例)：

模型文件(*.prototxt)
权重文件(*.caffemodel)
标签文件(把数据映射成name字符串)。

TensorRT的使用包括两个阶段，Build和Deployment。

6.1 Build

Build阶段主要完成模型转换(从Caffe/TensorFlow/Onnx->TensorRT)，在转换阶段会完成前面所述优化过程中的计算图融合，精度校准。这一步的输出是一个针对特定GPU平台和网络模型的优化过的TensorRT模型。这个TensorRT模型可以序列化的存储到磁盘或者内存中。存储到磁盘中的文件叫plan file，这个过程可以用下图来表示：

Build

下面的代码展示了一个简单的Build过程。注意这里的代码注释是附录的第2个链接提供的，TensorRT版本是2.0,。然后我观察了下TensorRT6.0的代码，虽然接口有一些变化但Build->Deployment这个流程是通用，所以就转载它的代码解释来说明问题了。

//创建一个builder
IBuilder* builder = createInferBuilder(gLogger);
// parse the caffe model to populate the network, then set the outputs
// 创建一个network对象，不过这时network对象只是一个空架子
INetworkDefinition* network = builder->createNetwork();
//tensorRT提供一个高级别的API：CaffeParser，用于解析Caffe模型
//parser.parse函数接受的参数就是上面提到的文件，和network对象
//这一步之后network对象里面的参数才被填充，才具有实际的意义
CaffeParser parser;
auto blob_name_to_tensor = parser.parse(“deploy.prototxt”,
                                        trained_file.c_str(),
                                        *network,
                                        DataType::kFLOAT);
 
// 标记输出 tensors
// specify which tensors are outputs
network->markOutput(*blob_name_to_tensor->find("prob"));
// Build the engine
// 设置batchsize和工作空间，然后创建inference engine
builder->setMaxBatchSize(1);
builder->setMaxWorkspaceSize(1 << 30);
//调用buildCudaEngine时才会进行前述的层间融合或精度校准优化方式
ICudaEngine* engine = builder->buildCudaEngine(*network);

在上面的代码中使用了一个高级API：CaffeParser，直接读取 caffe的模型文件，就可以解析，也就是填充network对象。解析的过程也可以直接使用一些低级别的C++API，例如：

ITensor* in = network->addInput(“input”, DataType::kFloat, Dims3{…});
IPoolingLayer* pool = network->addPooling(in, PoolingType::kMAX, …);

解析了Caffe的模型之后，必须要指定输出Tensor，设置batch大小和设置工作空间。其中设置工作空间是进行上面所述的计算图融合优化的必须步骤。

6.2 Deployment

Deploy阶段就是完成前向推理过程了，上面提到的Kernel Auto-Tuning 和 Dynamic Tensor Memory应该是也是在这个步骤中完成的。这里将Build过程中获得的plan文件首先反序列化，并创建一个 runtime engine，然后就可以输入数据，然后输出分类向量结果或检测结果。这个过程可以用下图来表示：

Deployment

下面的代码展示了一个简单的Deploy过程，这里没有包含反序列化和测试时的batch流的获取。可以看到代码还是相当复杂的，特别是包含了一些CUDA编程的知识。

// The execution context is responsible for launching the
// compute kernels 创建上下文环境 context，用于启动kernel
IExecutionContext *context = engine->createExecutionContext();
// In order to bind the buffers, we need to know the names of the
// input and output tensors. //获取输入，输出tensor索引
int inputIndex = engine->getBindingIndex(INPUT_LAYER_NAME),
int outputIndex = engine->getBindingIndex(OUTPUT_LAYER_NAME);
//申请GPU显存
// Allocate GPU memory for Input / Output data
void* buffers = malloc(engine->getNbBindings() * sizeof(void*));
cudaMalloc(&buffers[inputIndex], batchSize * size_of_single_input);
cudaMalloc(&buffers[outputIndex], batchSize * size_of_single_output);
//使用cuda 流来管理并行计算
// Use CUDA streams to manage the concurrency of copying and executing
cudaStream_t stream;
cudaStreamCreate(&stream);
//从内存到显存，input是读入内存中的数据；buffers[inputIndex]是显存上的存储区域，用于存放输入数据
// Copy Input Data to the GPU
cudaMemcpyAsync(buffers[inputIndex], input,
                batchSize * size_of_single_input,
                cudaMemcpyHostToDevice, stream);
//启动cuda核计算
// Launch an instance of the GIE compute kernel
context.enqueue(batchSize, buffers, stream, nullptr);
//从显存到内存，buffers[outputIndex]是显存中的存储区，存放模型输出；output是内存中的数据
// Copy Output Data to the Host
cudaMemcpyAsync(output, buffers[outputIndex],
                batchSize * size_of_single_output,
                cudaMemcpyDeviceToHost, stream));
//如果使用了多个cuda流，需要同步
// It is possible to have multiple instances of the code above
// in flight on the GPU in different streams.
// The host can then sync on a given stream and use the results
cudaStreamSynchronize(stream);

6.3 TensorRT 6.0 的Deployment

随着TensorRT的版本迭代，前向推理的代码变成越来越简单，基本上不需要我们操心了，我们来感受一下Mnist数字识别网络的推理代码。

bool SampleMNIST::infer()
{
    // Create RAII buffer manager object
    samplesCommon::BufferManager buffers(mEngine, mParams.batchSize);

    auto context = SampleUniquePtr<nvinfer1::IExecutionContext>(mEngine->createExecutionContext());
    if (!context)
    {
        return false;
    }

    // Pick a random digit to try to infer
    srand(time(NULL));
    const int digit = rand() % 10;

    // Read the input data into the managed buffers
    // There should be just 1 input tensor
    assert(mParams.inputTensorNames.size() == 1);
    if (!processInput(buffers, mParams.inputTensorNames[0], digit))
    {
        return false;
    }
    // Create CUDA stream for the execution of this inference.
    cudaStream_t stream;
    CHECK(cudaStreamCreate(&stream));

    // Asynchronously copy data from host input buffers to device input buffers
    buffers.copyInputToDeviceAsync(stream);

    // Asynchronously enqueue the inference work
    if (!context->enqueue(mParams.batchSize, buffers.getDeviceBindings().data(), stream, nullptr))
    {
        return false;
    }
    // Asynchronously copy data from device output buffers to host output buffers
    buffers.copyOutputToHostAsync(stream);

    // Wait for the work in the stream to complete
    cudaStreamSynchronize(stream);

    // Release stream
    cudaStreamDestroy(stream);

    // Check and print the output of the inference
    // There should be just one output tensor
    assert(mParams.outputTensorNames.size() == 1);
    bool outputCorrect = verifyOutput(buffers, mParams.outputTensorNames[0], digit);

    return outputCorrect;
}

7. 使用了TensorRT的优化方式效果

使用tensorRT与使用CPU相比，获得了40倍的加速，与使用TensorFlow在GPU上推理相比，获得了18倍的加速。

8. 总结

这篇是我的第一篇讲解TensorRT的文章，主要介绍了TensorRT，以及如何安装和使用TensorRT，之后会用例子来更详细的讲解。谢谢大家阅读到这里啦。

9. 参考

https://blog.csdn.net/qq_33869371/article/details/87929419
https://arleyzhang.github.io/articles/7f4b25ce/
http://on-demand.gputechconf.com/gtc/2017/presentation/s7310-8-bit-inference-with-tensorrt.pdf

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2020-03-05，如有侵权请联系 cloudcommunity@tencent.com 删除

tensorflow