1 什么是TensorRT
一般的深度学习项目，训练时为了加快速度，会使用多GPU分布式训练。但在部署推理时，为了降低成本，往往使用单个GPU机器甚至嵌入式平台（比如 NVIDIA Jetson）进行部署，部署端也要有与训练时相同的深度学习环境，如caffe，TensorFlow等。由于训练的网络模型可能会很大（比如，inception，resnet等），参数很多，而且部署端的机器性能存在差异，就会导致推理速度慢，延迟高。这对于那些高实时性的应用场合是致命的，比如自动驾驶要求实时目标检测，目标追踪等。所以为了提高部署推理的速度，出现了很多轻量级神经网络，比如squeezenet，mobilenet，shufflenet等。基本做法都是基于现有的经典模型提出一种新的模型结构，然后用这些改造过的模型重新训练，再重新部署。
而tensorRT 则是对训练好的模型进行优化。 tensorRT就只是推理优化器。当你的网络训练完之后，可以将训练模型文件直接丢进tensorRT中，而不再需要依赖深度学习框架（Caffe，TensorFlow等），如下：
可以认为tensorRT是一个只有前向传播的深度学习框架，这个框架可以将 Caffe，TensorFlow的网络模型解析，然后与tensorRT中对应的层进行一一映射，把其他框架的模型统一全部 转换到tensorRT中，然后在tensorRT中可以针对NVIDIA自家GPU实施优化策略，并进行部署加速。
如果想了解更多关于tensorrt的介绍，可参考官网介绍
2 TensorRT安装
tensorrt的安装方式很简单，只需要注意一些环境的依赖关系就可以，我们以tensorrt5.0.4版本为例，参考官网安装教程，这里简单总结一下步骤
tensorrt支持的环境和python版本如表所示（来源）
2.1 环境确认
确认CUDA版本是9.0或者10.0，可通过运行nvcc -V指令来查看CUDA，如果不是9.0以上，则需要先把CUDA版本更新一下nn
cudnn版本是7.3.1，如果不满足要求，按照《Linux之cudnn升级方法》进行升级
需安装有tensorflow，uff模块需要
2.2 安装pycuda
如果要使用python接口的tensorrt，则需要安装pycuda
pip install 'pycuda>=2017.1.1'
2.3 下载安装包
进入下载链接
点击Download Now（需要登录英伟达账号，没有的注册一个）
选择下载的版本
完成问卷调查
选择同意协议
根据自己的系统版本和CUDA版本，选择安装包，如图所示（如果是完整安装，建议选择Tar File Install Packages，这样可以自行选择安装位置）
2.4 安装指令
如果要使用python版本，则使用pip安装，执行下边的指令
#在home下新建文件夹，命名为tensorrt_tar，然后将下载的压缩文件拷贝进来解压
tar xzvf TensorRT-5.0.2.6.Ubuntu-16.04.4.x86_64-gnu.cuda-9.0.cudnn7.3.tar
#解压得到TensorRT-5.0.2.6的文件夹，将里边的lib绝对路径添加到环境变量中
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/lthpc/tensorrt_tar/TensorRT-5.0.2.6/lib
# 安装TensorRT
cd TensorRT-5.0.2.6/python
pip install tensorrt-5.0.2.6-py2.py3-none-any.whl
# 安装UFF,支持tensorflow模型转化
cd TensorRT-5.0.2.6/uff
pip install uff-0.5.5-py2.py3-none-any.whl
# 安装graphsurgeon，支持自定义结构
cd TensorRT-5.0.2.6/graphsurgeon
pip install graphsurgeon-0.3.2-py2.py3-none-any.whl
很多人安装某些版本的时候会报错，比如
ERROR: tensorrt-6.0.1.5-cp36-none-linux_x86_64.whl is not a supported wheel on this platform.
这个是因为自己python版本不对，输入pip --version来查看python版本是否是自己想象中的版本，不对的话切换一下
为了避免其它软件找不到tensorrt的库，建议把tensorrt的库和头文件添加到系统路径下
# TensorRT路径下
sudo cp -r ./lib/* /usr/lib
sudo cp -r ./include/* /usr/include
============= 20200618更新 ===============
为了避免安装时各种问题，我们也可以使用deb包的方式安装，即在2.3步骤中选择自己系统对应的版本，然后使用如下指令安装
# 首先根据自己下载的版本填写os和tag变量
# 我下载的版本是 nv-tensorrt-repo-ubuntu1804-cuda10.2-trt7.0.0.11-ga-20191216_1-1_amd64.deb
# 得到如下值
os="ubuntu1804"
tag="cuda10.2-trt7.0.0.11-ga-20191216"
sudo dpkg -i nv-tensorrt-repo-${os}-${tag}_1-1_amd64.deb
sudo apt-key add /var/nv-tensorrt-repo-${tag}/7fa2af80.pub
sudo apt-get update
sudo apt-get install tensorrt
sudo apt-get install python-libnvinfer-dev # for python2
sudo apt-get install python3-libnvinfer-dev # for python3
sudo apt-get install uff-converter-tf # for tensorflow
安装完之后运行下边指令
dpkg -l | grep TensorRT
输出如下，表明安装成功
ii graphsurgeon-tf 7.1.0-1+cuda10.2 amd64 GraphSurgeon for TensorRT package
ii libnvinfer-bin 7.1.0-1+cuda10.2 amd64 TensorRT binaries
ii libnvinfer-dev 7.1.0-1+cuda10.2 amd64 TensorRT development libraries and headers
ii libnvinfer-doc 7.1.0-1+cuda10.2 all TensorRT documentation
ii libnvinfer-plugin-dev 7.1.0-1+cuda10.2 amd64 TensorRT plugin libraries
ii libnvinfer-plugin7 7.1.0-1+cuda10.2 amd64 TensorRT plugin libraries
ii libnvinfer-samples 7.1.0-1+cuda10.2 all TensorRT samples
ii libnvinfer7 7.1.0-1+cuda10.2 amd64 TensorRT runtime libraries
ii libnvonnxparsers-dev 7.1.0-1+cuda10.2 amd64 TensorRT ONNX libraries
ii libnvonnxparsers7 7.1.0-1+cuda10.2 amd64 TensorRT ONNX libraries
ii libnvparsers-dev 7.1.0-1+cuda10.2 amd64 TensorRT parsers libraries
ii libnvparsers7 7.1.0-1+cuda10.2 amd64 TensorRT parsers libraries
ii python-libnvinfer 7.1.0-1+cuda10.2 amd64 Python bindings for TensorRT
ii python-libnvinfer-dev 7.1.0-1+cuda10.2 amd64 Python development package for TensorRT
ii python3-libnvinfer 7.1.0-1+cuda10.2 amd64 Python 3 bindings for TensorRT
ii python3-libnvinfer-dev 7.1.0-1+cuda10.2 amd64 Python 3 development package for TensorRT
ii tensorrt 7.1.0.x-1+cuda10.2 amd64 Meta package of TensorRT
ii uff-converter-tf 7.1.0-1+cuda10.2 amd64 UFF converter for TensorRT package
2.5 环境测试
运行python测试，导入模块不报错就表明安装正确
注意：导入uff的时候需要安装tensorflow模块，tensorflow版本要与cuda版本对应，比如cuda9要对应tensorflow1.12及以下版本，以上版本需要cuda10，具体参考官网
如果导入tensorrt报错如下，则是因为python版本不对，应根据2.1节上边的那个表调整自己的python版本
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/home/xxx/anaconda3/lib/python3.6/site-packages/tensorrt/__init__.py", line 1, in <module>
from .tensorrt import *
ImportError: /home/xxx/anaconda3/lib/python3.6/site-packages/tensorrt/tensorrt.so: undefined symbol: _Py_ZeroStruct
安装后会在/usr/src目录下生成一个tensorrt文件夹,里面包含bin,data,python,samples四个文件夹，samples文件夹中是官方例程的源码；data,python文件中存放官方例程用到的资源文件，比如caffemodel文件，TensorFlow模型文件，一些图片等；bin文件夹用于存放编译后的二进制文件。
============= 20200618更新 ===============
也可以使用如下方法测试
sudo cp -r /usr/src/tensorrt/ ~/
cd ~/tensorrt/samples
sudo make
cd ../bin
./sample_int8 mnist
3 使用流程
在/TensoRT-5.0.2.6/samples/python文件夹下有很多python的例子，我们以第一个end_to_end_tensorflow_mnist的例子为例，描述tensorrt的使用流程，在README.md文件里也说得很明白了
3.1 安装依赖
需要安装好numpy、Pillow、pycuda、tensorflow等环境，如果都有可以跳过
3.2 生成pb文件
mkdir models
python model.py
运行model.py后，会下载数据mnist.npz，并开始训练，完成后在models文件夹下生成lenet5.pb文件，如果自己已经训练得到pb文件，上述过程可以跳过
3.3 格式转化
要将tensorflow的pb文件转化为uff格式的文件，首先找到convert_to_uff文件，看自己用的是哪个版本的python，如果是python3，则在/usr/lib/python3.5/dist-packages/uff/bin文件夹下，如果是python2，则在/usr/lib/python2.7/dist-packages/uff/bin文件夹下
我们在终端中进入end_to_end_tensorflow_mnist，运行以下指令
python3.5 /usr/lib/python3.5/dist-packages/uff/bin/convert_to_uff.py --input_file models/lenet5.pb
则会在models文件夹中生成lenet5.uff文件
需要注意的是：该转化过程只支持在x86平台上实现，如果想在TX2等嵌入式平台上使用tensorrt，需要先在x86平台上将pb模型转化为uff文件，然后再拷贝到TX2上使用
3.4 运行文件
运行sample.py文件，得到如下输出，表明可完整的使用tensorrt
4 使用自己的模型
前边3步相当于是环境的配置，当然还不够，我们需要的是可以转化并运行我们自己的模型，达到加速的效果，因此接下来对相关的工作进行总结，具体转换参考《TX2之TensorRT加速TensorFlow目标检测模型》
————————————————
版权声明：本文为CSDN博主「ZONG_XP」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zong596568821xp/article/details/86077553