IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 【TensorRT】mnist的onnx模型转engine模型并调用 -> 正文阅读

[人工智能]【TensorRT】mnist的onnx模型转engine模型并调用

参考:使用TensorRT7.0.0.11工具trtexec onnx模型转engine_kangkjz的博客-CSDN博客_onnx转engine

打开./samples/trtexec/trtexec.sln,编译之后可以看到

执行命令行:

trtexec.exe --onnx=C:\Project\TensorRT-8.0.3.4\data\mnist\mnist.onnx --saveEngine=C:\Project\TensorRT-8.0.3.4\data\mnist\mnist.engine

?需要花一点点时间:

在SampleOnnxMNIST这个实例中,对代码简单修改,把build函数中主动去读取mnist.engine文件,实例化ICudaEngine。

bool SampleOnnxMNIST::build()
{
#if 0


    auto builder = SampleUniquePtr<nvinfer1::IBuilder>(nvinfer1::createInferBuilder(sample::gLogger.getTRTLogger()));
    
	if (!builder)
    {
        return false;
    }

    const auto explicitBatch = 1U << static_cast<uint32_t>(NetworkDefinitionCreationFlag::kEXPLICIT_BATCH);
    auto network = SampleUniquePtr<nvinfer1::INetworkDefinition>(builder->createNetworkV2(explicitBatch));
    if (!network)
    {
        return false;
    }

    auto config = SampleUniquePtr<nvinfer1::IBuilderConfig>(builder->createBuilderConfig());
    if (!config)
    {
        return false;
    }

    auto parser
        = SampleUniquePtr<nvonnxparser::IParser>(nvonnxparser::createParser(*network, sample::gLogger.getTRTLogger()));
    if (!parser)
    {
        return false;
    }

    auto constructed = constructNetwork(builder, network, config, parser);
    if (!constructed)
    {
        return false;
    }

    // CUDA stream used for profiling by the builder.
    auto profileStream = samplesCommon::makeCudaStream();
    if (!profileStream)
    {
        return false;
    }
    config->setProfileStream(*profileStream);

    SampleUniquePtr<IHostMemory> plan{builder->buildSerializedNetwork(*network, *config)};
    if (!plan)
    {
        return false;
    }

    SampleUniquePtr<IRuntime> runtime{createInferRuntime(sample::gLogger.getTRTLogger())};
    if (!runtime)
    {
        return false;
    }

    mEngine = std::shared_ptr<nvinfer1::ICudaEngine>(
        runtime->deserializeCudaEngine(plan->data(), plan->size()), samplesCommon::InferDeleter());
    if (!mEngine)
    {
        return false;
    }

    ASSERT(network->getNbInputs() == 1);
    mInputDims = network->getInput(0)->getDimensions();
    ASSERT(mInputDims.nbDims == 4);

	std::cout << "[jhq] mInputDims: " << mInputDims.d[0] << " , " << mInputDims.d[1] << " , " << mInputDims.d[2] << " , " << mInputDims.d[3] << std::endl;

    ASSERT(network->getNbOutputs() == 1);
    mOutputDims = network->getOutput(0)->getDimensions();
    ASSERT(mOutputDims.nbDims == 2);
	std::cout << "[jhq] mOutputDims: " << mInputDims.d[0] << " , " << mInputDims.d[1] << std::endl;



    return true;

#else

	mInputDims.d[0] = 1;
	mInputDims.d[1] = 1;
	mInputDims.d[2] = 28;
	mInputDims.d[3] = 28;

	mOutputDims.d[0] = 1;
	mOutputDims.d[1] = 1;

	std::string engine_name = "./data/mnist.engine";
	std::ifstream file(engine_name, std::ios::binary);
    if (!file.good()) {
        std::cerr << "read " << engine_name << " error!" << std::endl;
        return -1;
    }

    char *trtModelStream = nullptr;
    size_t size = 0;
    file.seekg(0, file.end);
    size = file.tellg();
    file.seekg(0, file.beg);
    trtModelStream = new char[size];
    assert(trtModelStream);
    file.read(trtModelStream, size);
    file.close();

    SampleUniquePtr<IRuntime> runtime{createInferRuntime(sample::gLogger.getTRTLogger())};
    if (!runtime)
    {
        return false;
    }

    mEngine = std::shared_ptr<nvinfer1::ICudaEngine>(
        runtime->deserializeCudaEngine(trtModelStream, size), samplesCommon::InferDeleter());
    if (!mEngine)
    {
        return false;
    }

	return true;

#endif
}

结果输出:

总体感觉engine模型是要比onnx模型要快一些,输出的log信息也相对少一些。

后续的话,Tensorflow的pb模型或者pytorch的onnx模型,都可以以某种方式(TensorRT模型装换 - 小小马进阶笔记 - 博客园)转换为TensorRT的engine模型,转换的过程应该是有对网络层进行优化,所以速度才提升了。但是也要留意精度的损失程度。

同时,在使用trtexec这个工具的时候,也可以考虑设置一些参数,比如int8,对模型进行量化

利用TensorRT实现INT8量化感知训练QAT_ZONGXP的博客-CSDN博客_int8量化训练

参考命令行如下:

trtexec.exe --onnx=C:\Project\TensorRT-8.0.3.4\data\mnist\mnist.onnx --saveEngine=C:\Project\TensorRT-8.0.3.4\data\mnist\mnist.engine --int8

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-12-18 15:58:47  更:2021-12-18 16:01:53 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年6日历 -2024/6/18 18:03:51-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码