说在前面

相信做SLAM的或多或少都听说过大名顶顶的SuMa++，可以说SuMa++是目前为止将语义信息用到激光SLAM中做好的的例子之一了，这里就不介绍SuMa++这个方法的主要工作了，感兴趣的朋友可以去我的另一篇博客看看。

为什么要写这样一篇博客呢？之前在公司使用的是1650的显卡，配置的环境是Ubuntu 18.04+NVIDIA driver 455+CUDA 10.1+cudnn 7.6.5+TensorRT 5.0.1.5，用1650的朋友可以直接照抄，都是我多次重装系统采坑测试出来的。

但问题是最近回学校了，而且换了一台新机器AMD 5800H+nvidia 3060，我已经做好跑任何程序都不会超过一秒的准备了，但是没想到新环境的配置会如此痛苦，此次采坑共花费一周时间，重装系统近10次。希望看到的朋友点个赞。

NVIDIA driver

CUDA 11.1

这里是最坑的地方，最开始不知道30系顶顶显卡只能使用CUDA 11及以上版本，我在CUDA 10的多个版本都试了一遍，到最后一部TensorRT都能安装成功，但是就是跑不出结果，调试代码发现程序卡在buildCUDAEngine这一行，不知是什么原因。后经高人指点，高人说他用PyTorch从去年底开始就要求30系显卡全部使用CUDA 11，我突然意识到我应该试试CUDA 11。

CUDA 11的安装也很简单，从官网的下载入口下载即可（没有科学上网的话可能会下载很慢），选择自己对应的版本，我的是Linux -> x86_64 -> Ubuntu -> 18.04 -> deb (local)，注意这里推荐使用deb方式安装，按照下载链接下方的步骤一步一步安装，貌似使用runfile的方式安装的话，会缺少几个补丁，在安装TensorRT的时候会很麻烦，需要单独下载这几个补丁来安装。

cudnn

cudnn选择的版本是8.1.0，同样从官网的下载入口，选择Download cuDNN v8.1.0 (January 26th, 2021), for CUDA 11.0,11.1 and 11.2，下载源码手动安装，选择cuDNN Library for Linux (x86_64)。具体安装方式是将文件解压之后复制到系统路径下，然后给文件权限，可以参照这篇博客Ubuntu18.04安装CUDA10、CUDNN

TensorRT 7.2.3

rangenet++的作者是推荐使用TensorRT 5.1.5的，并且测试啥的都是在这个版本上进行的。但是我们已经安装了CUDA 11.1，TensorRT 5.1.5是没办法在CUDA 11.1上面跑的，所以我选择了一个最早能支持CUDA 11.1的TensorRT 7.2.3，但是既然和原作者的版本不一致，TensoRT到时候和rangenet++适配的时候，免不了要修改rangenet++的代码，这个要做好心里准备。

TensorRT 7.2.3的安装也很简单，从官方下载入口选择TensorRT 7.2.3 for Ubuntu 18.04 and CUDA 11.1 & 11.2 DEB local repo package进行安装。安装方法可以照抄官方文档。
在这里插入图片描述
需要注意的是使用pip安装依赖的时候可以同时pip和pip3都安装(我使用的都是pip3)，一招解决不必要的问题。

测试是否安装成功，以及能否跑tensorrt。
在终端输入dpkg -l | grep TensorRT，输出如图。

在这里插入图片描述

终端依次输入python3 import tensorrt tensorrt.__version__，如果能像下面一样成功显示版本号，则安装成功。

在这里插入图片描述
这一步完成只能说明TensorRT和python的依赖安装成功，并不能说明TensoRT就能使用了，需要再测试一下。安装成功之后会在/usr/local路径下面有一个tensorrt的文件夹，复制出来，进入到sample文件夹下，在终端输入命令make，这一步会在/bin中生成一些可执行文件，运行./sample_mnist，如果能成功辨别手写数字，则成功。