TensorRT 3:更快的TensorFlow推理和Volta支持

TensorRT 3: Faster TensorFlow Inference and Volta Support

英偉達(dá)TensorRT ?是一個(gè)高性能的深度學(xué)習(xí)推理優(yōu)化器和運(yùn)行時(shí)，為深度學(xué)習(xí)應(yīng)用程序提供低延遲、高吞吐量的推理。NVIDIA去年發(fā)布了TensorRT，其目標(biāo)是加速產(chǎn)品部署的深度學(xué)習(xí)推理。

Figure 1. TensorRT optimizes trained neural network models to produce adeployment-ready runtime inference engine.

在這篇文章中，我們將介紹TensorRT 3，它比以前的版本提高了性能，并且包含了新的特性，使其更易于使用。TensorRT 3的主要亮點(diǎn)包括：

TensorFlow模型導(dǎo)入器：從TensorFlow訓(xùn)練的模型導(dǎo)入、優(yōu)化和生成推理運(yùn)行時(shí)引擎的方便API；

Python API：一個(gè)易于使用的Python接口，用于提高生產(chǎn)率；

Volta Tensor核心支持：與Tesla P100 GPU相比，在Tesla V100上提供高達(dá)3.7倍的更快推理性能。

讓我們使用一個(gè)代碼示例深入了解TensorRT工作流。我們將介紹如何將經(jīng)過(guò)訓(xùn)練的模型導(dǎo)入TensorRT，優(yōu)化它們并生成運(yùn)行時(shí)推理引擎，這些引擎可以序列化到磁盤(pán)進(jìn)行部署。最后，我們將看到如何加載序列化的運(yùn)行時(shí)引擎并在生產(chǎn)應(yīng)用程序中運(yùn)行快速高效的推理。但首先，讓我們回顧一下部署推理的一些挑戰(zhàn)，看看為什么推理需要一個(gè)專(zhuān)用的解決方案。

Why Does Inference Need a Dedicated Solution?

作為數(shù)字產(chǎn)品和服務(wù)的消費(fèi)者，我們每天都與一些人工智能服務(wù)進(jìn)行交互，例如語(yǔ)音識(shí)別、語(yǔ)言翻譯、圖像識(shí)別和視頻字幕生成等。在幕后，神經(jīng)網(wǎng)絡(luò)計(jì)算每個(gè)查詢的結(jié)果。這個(gè)步驟通常被稱(chēng)為“推斷”：新數(shù)據(jù)通過(guò)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)生成結(jié)果。在傳統(tǒng)的機(jī)器學(xué)習(xí)文獻(xiàn)中，它有時(shí)也被稱(chēng)為“預(yù)測(cè)”或“評(píng)分”。

這種神經(jīng)網(wǎng)絡(luò)通常運(yùn)行在云中的web服務(wù)中，它同時(shí)接收來(lái)自數(shù)千或數(shù)百萬(wàn)用戶的新請(qǐng)求，計(jì)算每個(gè)請(qǐng)求的推理計(jì)算，并將結(jié)果返回給用戶。為了提供良好的用戶體驗(yàn)，所有這些都必須在較小的延遲預(yù)算下實(shí)現(xiàn)，包括網(wǎng)絡(luò)延遲、神經(jīng)網(wǎng)絡(luò)執(zhí)行和基于生產(chǎn)環(huán)境的其他延遲。

類(lèi)似地，如果AI應(yīng)用程序運(yùn)行在設(shè)備上，例如在執(zhí)行實(shí)時(shí)避免碰撞的自主車(chē)輛中或在進(jìn)行實(shí)時(shí)路徑規(guī)劃決策的無(wú)人機(jī)中，則延遲對(duì)于車(chē)輛安全而言變得至關(guān)重要。功率效率同樣重要，因?yàn)檫@些車(chē)輛在充電或加油之間可能需要幾天、幾周或幾個(gè)月。

今天，應(yīng)用程序開(kāi)發(fā)人員和領(lǐng)域?qū)＜沂褂肎PU加速的深度學(xué)習(xí)框架，如Caffe、TensorFlow或PyTorch來(lái)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)來(lái)解決特定于應(yīng)用程序的任務(wù)。這些框架通過(guò)探索網(wǎng)絡(luò)設(shè)計(jì)、執(zhí)行模型評(píng)估和診斷以及使用新數(shù)據(jù)重新訓(xùn)練模型，為他們提供了原型解決方案的靈活性。

一旦對(duì)模型進(jìn)行了訓(xùn)練，開(kāi)發(fā)人員通常會(huì)遵循以下部署方法之一。

使用諸如Caffe、TensorFlow或其他的訓(xùn)練框架進(jìn)行生產(chǎn)推理。

直接使用GPU加速的cuDNN和cuBLAS庫(kù)在內(nèi)部構(gòu)建自定義部署解決方案，以最小化框架開(kāi)銷(xiāo)。

使用訓(xùn)練框架或構(gòu)建自定義部署解決方案以進(jìn)行僅限CPU的推斷。

這些部署選項(xiàng)通常無(wú)法滿足關(guān)鍵的推斷需求，例如數(shù)百萬(wàn)用戶的可伸縮性、同時(shí)處理多個(gè)輸入的能力，或者快速高效地交付結(jié)果的能力。

更正式地說(shuō)，關(guān)鍵要求包括：

高吞吐量：部署的模型必須處理大量數(shù)據(jù)才能為大量用戶服務(wù)。對(duì)可用資源的低效使用導(dǎo)致云或數(shù)據(jù)中心成本增加，以及與服務(wù)較少用戶相關(guān)的機(jī)會(huì)成本。

低響應(yīng)時(shí)間：移動(dòng)設(shè)備上的語(yǔ)音識(shí)別和汽車(chē)碰撞檢測(cè)系統(tǒng)等應(yīng)用要求在嚴(yán)格的低延遲閾值下獲得結(jié)果。無(wú)法在這些閾值下交付結(jié)果會(huì)對(duì)應(yīng)用程序的用戶體驗(yàn)產(chǎn)生負(fù)面影響，或者可能會(huì)危及汽車(chē)駕駛員的安全。

節(jié)能：對(duì)于部署在數(shù)據(jù)中心和低功耗嵌入式設(shè)備，節(jié)能至關(guān)重要。高功耗會(huì)增加成本，并可能使嵌入式部署解決方案變得棘手。

部署級(jí)解決方案：部署環(huán)境要求部署的軟件以最小的依賴(lài)性實(shí)現(xiàn)可靠和輕量級(jí)。為模型構(gòu)建、訓(xùn)練和原型設(shè)計(jì)的深度學(xué)習(xí)框架包括額外的包和依賴(lài)項(xiàng)，這些包和依賴(lài)項(xiàng)會(huì)帶來(lái)不必要的開(kāi)銷(xiāo)。

如果你是人工智能應(yīng)用程序的開(kāi)發(fā)人員，你可能會(huì)涉及到一些或所有這些挑戰(zhàn)與深入學(xué)習(xí)部署。NVIDIA TensorRT通過(guò)優(yōu)化經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)生成部署就緒的推理引擎，從而最大限度地提高GPU推理性能和功耗效率，從而解決了這些部署難題。TensorRT以最小的依賴(lài)性運(yùn)行在每個(gè)GPU平臺(tái)上，從數(shù)據(jù)中心GPU（如P4和V100）到自主驅(qū)動(dòng)和嵌入式平臺(tái)（如驅(qū)動(dòng)器PX2和Jetson TX2）。

有關(guān)TensorRT和NVIDIA GPU如何提供高性能和高效的推理，從而顯著節(jié)省數(shù)據(jù)中心的成本和邊緣的功耗的更多信息，請(qǐng)參閱以下技術(shù)白皮書(shū)：NVIDIA AI推理技術(shù)概述。

Example: Deploying a TensorFlow model with TensorRT

雖然為了完整起見(jiàn)，本文涵蓋了TensorRT的許多基礎(chǔ)知識(shí)，但是您可以回顧前面的文章，使用NVIDIA TensorRT部署深層神經(jīng)網(wǎng)絡(luò)，了解更多細(xì)節(jié)。

TensorRT 3更快、更容易使用，并且引入了一些新特性，我們將在下面的代碼示例中回顧這些特性。GitHub上提供了本例中的Jupyter（iPython）筆記本。

這個(gè)簡(jiǎn)單的例子演示了導(dǎo)入和優(yōu)化一個(gè)經(jīng)過(guò)訓(xùn)練的TensorFlow神經(jīng)網(wǎng)絡(luò)并將其部署為T(mén)ensorRT運(yùn)行時(shí)引擎所需的步驟。該示例包括兩個(gè)不同的步驟：

Import and optimize trained models to generate inference engines導(dǎo)入和優(yōu)化訓(xùn)練模型生成推理機(jī)

在部署之前，我們只執(zhí)行此步驟一次。我們使用TensorRT解析一個(gè)經(jīng)過(guò)訓(xùn)練的模型，并對(duì)目標(biāo)部署GPU的批大小、精度和工作區(qū)內(nèi)存等指定參數(shù)執(zhí)行優(yōu)化。這個(gè)步驟的輸出是一個(gè)優(yōu)化的推理執(zhí)行引擎，我們將磁盤(pán)上的一個(gè)名為計(jì)劃文件的文件序列化。

Deploy generated runtime inference engine for inference

這是部署步驟。我們加載并反序列化保存的計(jì)劃文件以創(chuàng)建TensorRT引擎對(duì)象，并使用它在目標(biāo)部署平臺(tái)上對(duì)新數(shù)據(jù)運(yùn)行推斷。


Importing a trained model

有幾個(gè)深度學(xué)習(xí)框架，每個(gè)框架都有自己的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)定義和訓(xùn)練的模型文件格式。對(duì)于CAFE和TunSoFrices用戶，TunSRRT提供簡(jiǎn)單方便的Python和C++ API來(lái)導(dǎo)入模型進(jìn)行優(yōu)化。

Figure 2. TensorRT provides model importers for Caffe and TensorFlow. Other framework models can be imported using the
Network Definition API.

然而，一些開(kāi)源和商業(yè)框架，以及專(zhuān)有的內(nèi)部開(kāi)發(fā)工具，都有自己的網(wǎng)絡(luò)定義格式。您可以使用TensorRT的網(wǎng)絡(luò)定義API來(lái)指定網(wǎng)絡(luò)描述（使用C++或Python API），并將其加載到TensorRT中以進(jìn)行優(yōu)化。圖2顯示了將經(jīng)過(guò)訓(xùn)練的模型放入TensorRT的兩種不同方法。
不管您選擇什么方法，一旦導(dǎo)入了模型，TensorRT就會(huì)執(zhí)行與圖2中所示相同的一組模型優(yōu)化。

我們將從導(dǎo)入必要的python包開(kāi)始，并調(diào)用函數(shù)導(dǎo)入TensorFlow模型。這里我們假設(shè)您已經(jīng)安裝了TensorRT 3.0，并且有一個(gè)經(jīng)過(guò)訓(xùn)練的TensorFlow模型，您已經(jīng)使用TensorFlow freeze_graph 工具將其導(dǎo)出為凍結(jié)模型（.pb文件）。

這個(gè)例子使用了TensorRT3的Python API，但是你可以使用C++ API來(lái)做同樣的事情。

# Import
TensorRT Modules

import tensorrt as trt

import uff from tensorrt.parsers import uffparser

G_LOGGER = trt.infer.ConsoleLogger(trt.infer.LogSeverity.INFO)

# Load your
newly created Tensorflow frozen model and convert it to UFF

uff_model = uff.from_tensorflow_frozen_model(“keras_vgg19_frozen_graph.pb”, [“dense_2/Softmax”])

UFF代表通用框架格式，這是TensorRT的內(nèi)部格式，用于在運(yùn)行優(yōu)化之前表示網(wǎng)絡(luò)圖。from_tensorflow_frozen_model（）的第一個(gè)參數(shù)是凍結(jié)訓(xùn)練模型。在本例中，我們使用的是Keras VGG19模型。第二個(gè)參數(shù)是輸出層名稱(chēng)。

上述步驟的輸出是TensorFlow模型的UFF圖表示，該模型可以被TensorRT解析。我們通過(guò)提供輸入層的名稱(chēng)和維度（CHW格式）以及輸出層的名稱(chēng)來(lái)配置下面的UFF解析器。

# Create a UFF parser to parse the UFF file created from your TF Frozen modelparser = uff
parser.create_uff_parser()
parser.register_input(“input_1”, (3,224,224),0)
parser.register_output(“dense_2/Softmax”)

A Note on TensorRT Supported Layers

如今，神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的許多創(chuàng)新都圍繞著新穎的定制層的發(fā)明展開(kāi)。TensorRT支持下面列出的廣泛使用的標(biāo)準(zhǔn)層類(lèi)型。這些應(yīng)該滿足大多數(shù)神經(jīng)網(wǎng)絡(luò)架構(gòu)：

· Convolution

· LSTM and GRU

· Activation: ReLU, tanh, sigmoid

· Pooling: max and average

· Scaling

· Element wise operations

· LRN

· Fully-connected

· SoftMax

· Deconvolution

然而，深度學(xué)習(xí)是一個(gè)快速發(fā)展的領(lǐng)域，新的層次類(lèi)型被頻繁引入。許多研究人員和開(kāi)發(fā)人員發(fā)明了特定于其應(yīng)用程序的自定義或?qū)Ｓ袑印ensorRT提供了一個(gè)自定義層API，使您能夠定義自己的自定義層，而這些層本機(jī)不受支持。這些自定義層使用C++定義，以便于使用高度優(yōu)化的CUDA庫(kù)，如CUDNN和CUBLAS。TensorRT將在進(jìn)行推理時(shí)使用您提供的自定義層實(shí)現(xiàn)，如圖3所示。

Figure 3. Custom layers can be integrated into the TensorRT runtime as plugins.

本例中VGG19網(wǎng)絡(luò)中的所有層都由TensorRT支持，因此我們不演示編寫(xiě)插件的過(guò)程。有關(guān)代碼示例和編寫(xiě)自定義層的詳細(xì)信息，請(qǐng)參閱TensorRT文檔。

TensorRT Optimizations

將模型導(dǎo)入TensorRT后，下一步稱(chēng)為構(gòu)建階段，在該階段，您可以優(yōu)化模型以執(zhí)行運(yùn)行時(shí)。TensorRT可以執(zhí)行許多優(yōu)化，如圖1所示：

層與張量融合及未利用層的消除；

FP16和INT8精度降低校準(zhǔn)；

目標(biāo)特定自動(dòng)調(diào)諧；

高效的內(nèi)存重用

構(gòu)建階段需要在目標(biāo)部署GPU平臺(tái)上運(yùn)行。例如，如果應(yīng)用程序要在Jetson TX2上運(yùn)行，則需要在Jetson TX2上執(zhí)行生成，同樣，如果推理服務(wù)將在帶有Tesla V100 gpu的AWS P3實(shí)例上的云中運(yùn)行，則生成階段需要在帶有Tesla V100的系統(tǒng)上運(yùn)行。

這個(gè)步驟只執(zhí)行一次，所以典型的應(yīng)用程序只構(gòu)建一個(gè)或多個(gè)引擎，然后將它們序列化以供以后使用。

TensorRT會(huì)在引擎蓋下為您自動(dòng)執(zhí)行這些優(yōu)化。您只需要指定要優(yōu)化的UFF推理圖、推理批大小、工作區(qū)GPU內(nèi)存量（用于CUDA內(nèi)核暫存空間）和目標(biāo)推理精度，如下代碼所示。

# Build your TensorRT inference engine# This step performs (1) Tensor fusion (2) Reduced precision # (3) Target autotuning (4) Tensor memory management
engine = trt.utils.uff_to_trt_engine(G_LOGGER, uff_model, parser, 1, 1<<20, trt.infer.DataType.FLOAT)

這里的uff_模型是從Tensorflow凍結(jié)圖創(chuàng)建的，選項(xiàng)指定FP32推斷，批大小為1和1MB的暫存空間。此步驟的輸出是一個(gè)優(yōu)化的運(yùn)行時(shí)引擎，可以進(jìn)行推理。

讓我們仔細(xì)看看在優(yōu)化步驟中引擎下面發(fā)生了什么。

Optimization1: Layer & Tensor Fusion

TensorRT解析網(wǎng)絡(luò)計(jì)算圖并尋找執(zhí)行圖優(yōu)化的機(jī)會(huì)。這些圖優(yōu)化不會(huì)改變圖中的底層計(jì)算：相反，它們希望重新構(gòu)造圖以更快、更高效地執(zhí)行操作。

為了便于說(shuō)明，圖4顯示了神經(jīng)網(wǎng)絡(luò)圖的一部分。專(zhuān)家讀者可能會(huì)認(rèn)為這是2014年贏得ImageNet大賽的谷歌架構(gòu)的“初始”模塊。

Figure 4. TensorRT’s vertical and horizontal layer fusion and layer elimination optimizations simplify the GoogLeNet Inception module graph, reducing computation and memory overhead.

當(dāng)一個(gè)深度學(xué)習(xí)框架在推理過(guò)程中執(zhí)行這個(gè)圖時(shí)，它會(huì)對(duì)每個(gè)層進(jìn)行多個(gè)函數(shù)調(diào)用。由于每個(gè)操作都是在GPU上執(zhí)行的，這就意味著要啟動(dòng)多個(gè)CUDA內(nèi)核。相對(duì)于內(nèi)核啟動(dòng)開(kāi)銷(xiāo)和讀寫(xiě)每個(gè)層的張量數(shù)據(jù)的成本，內(nèi)核計(jì)算通常非常快。這會(huì)導(dǎo)致內(nèi)存帶寬瓶頸和可用GPU資源利用率不足。

TensorRT通過(guò)垂直融合內(nèi)核來(lái)實(shí)現(xiàn)這一點(diǎn)，以便一起執(zhí)行順序操作。這種層融合減少了內(nèi)核的啟動(dòng)，避免了在層之間寫(xiě)入和讀取內(nèi)存。在圖4左側(cè)的網(wǎng)絡(luò)中，各種大小的卷積層、偏置層和ReLU層可以組合成一個(gè)稱(chēng)為CBR的內(nèi)核，如圖4右側(cè)所示。一個(gè)簡(jiǎn)單的類(lèi)比是，三次分別去超市買(mǎi)三樣?xùn)|西，而不是一次就買(mǎi)三樣?xùn)|西。

TensorRT還可以識(shí)別共享相同輸入數(shù)據(jù)和過(guò)濾器大小但具有不同權(quán)重的層。TensorRT不使用三個(gè)獨(dú)立的內(nèi)核，而是將它們水平地合并成一個(gè)更寬的內(nèi)核，如圖4右側(cè)的1×1CBR層所示。

TensorRT還可以通過(guò)預(yù)先分配輸出緩沖區(qū)并以快速的方式寫(xiě)入它們來(lái)消除圖4中的連接層（“concat”）。

總的來(lái)說(shuō)，結(jié)果是一個(gè)更小、更快、更高效的圖形，具有更少的層和內(nèi)核啟動(dòng)，因此減少了推理延遲。表1顯示了一些常見(jiàn)圖像分類(lèi)網(wǎng)絡(luò)的TensorRT圖優(yōu)化結(jié)果。

ptimization2: FP16 and INT8 Precision Calibration

大多數(shù)深度學(xué)習(xí)框架訓(xùn)練神經(jīng)網(wǎng)絡(luò)完全32位精度（FP32）。一旦模型得到充分訓(xùn)練，推理計(jì)算可以使用半精度FP16甚至INT8張量運(yùn)算，因?yàn)橥评聿恍枰荻确聪騻鞑ァＪ褂幂^低的精度會(huì)導(dǎo)致較小的模型大小、較低的內(nèi)存利用率和延遲以及較高的吞吐量。
TensorRT可以在FP32、FP16和INT8中部署模型，并且在它們之間切換就像在uff_to_trt_engine函數(shù)中指定數(shù)據(jù)類(lèi)型一樣簡(jiǎn)單：

· For FP32, use trt.infer.DataType.FLOAT.

· For FP16 in and FP16 Tensor Cores on Volta GPUs, use trt.infer.DataType.HALF

· For INT8 inference, use trt.infer.DataType.INT8.

從表2中可以看出，INT8的動(dòng)態(tài)范圍明顯小于全精度動(dòng)態(tài)范圍。INT8只能表示256個(gè)不同的值。為了將全精度信息量化為INT8，同時(shí)最小化精度損失，TensorRT必須執(zhí)行一個(gè)稱(chēng)為校準(zhǔn)的過(guò)程，以確定如何最好地將權(quán)重和激活表示為8位整數(shù)。

校準(zhǔn)步驟要求您向TensorRT提供輸入訓(xùn)練數(shù)據(jù)的代表性樣本。不需要對(duì)模型進(jìn)行額外的微調(diào)或重新培訓(xùn)，也不需要訪問(wèn)整個(gè)培訓(xùn)數(shù)據(jù)集。校準(zhǔn)是將FP32轉(zhuǎn)換為INT8的完全自動(dòng)化和無(wú)參數(shù)方法。

在這個(gè)例子中，我們只演示了FP32和FP16的部署，請(qǐng)參閱TensorRT文檔中的代碼示例和有關(guān)如何執(zhí)行校準(zhǔn)步驟的更多詳細(xì)信息。

Optimization3: Kernel Auto-Tuning

在優(yōu)化階段，TensorRT還從數(shù)百個(gè)專(zhuān)門(mén)的內(nèi)核中進(jìn)行選擇，其中許多是針對(duì)一系列參數(shù)和目標(biāo)平臺(tái)進(jìn)行手動(dòng)調(diào)整和優(yōu)化的。例如，有幾種不同的卷積算法。TensorRT將從內(nèi)核庫(kù)中選擇實(shí)現(xiàn)，該庫(kù)為目標(biāo)GPU、輸入數(shù)據(jù)大小、過(guò)濾器大小、tensor布局、批大小和其他參數(shù)提供最佳性能。

這可以確保部署的模型針對(duì)特定的部署平臺(tái)以及正在部署的特定神經(jīng)網(wǎng)絡(luò)進(jìn)行性能調(diào)整。

Optimization4: Dynamic Tensor Memory

TensorRT還通過(guò)僅在每個(gè)tensor使用期間為其指定內(nèi)存，從而減少內(nèi)存占用并改進(jìn)內(nèi)存重用，避免了快速高效執(zhí)行的內(nèi)存分配開(kāi)銷(xiāo)。

TensorRT Optimization Performance Results

TensorRT所有優(yōu)化的結(jié)果是，與在CPU或GPU上使用深度學(xué)習(xí)框架運(yùn)行推理相比，模型運(yùn)行更快、更有效。圖5中的圖表比較了CPU、Tesla V100 GPU和TensorFlow推理以及Tesla V100 GPU和TensorRT推理上ResNet-50網(wǎng)絡(luò)的圖像/秒推理性能。

使用TensorRT，與Tesla V100和CPU相比，您可以獲得高達(dá)40倍的更快的推理性能。在Volta GPU上運(yùn)行TensorFlow模型的TensorRT推理在7毫秒的實(shí)時(shí)延遲要求下可以快18倍。

Figure 5. TensorRT inference performance compared to CPU-only inference and TensorFlow framework inference.

Serializing Optimized TensorRT Engines

TensorRT優(yōu)化階段的輸出是一個(gè)可以序列化到磁盤(pán)的運(yùn)行時(shí)推理引擎。此序列化文件稱(chēng)為“計(jì)劃”文件，其中包含運(yùn)行時(shí)引擎用于執(zhí)行網(wǎng)絡(luò)的序列化數(shù)據(jù)。它被稱(chēng)為計(jì)劃文件，因?yàn)樗粌H包括權(quán)重，還包括內(nèi)核執(zhí)行網(wǎng)絡(luò)的計(jì)劃。它還包括應(yīng)用程序可以查詢的網(wǎng)絡(luò)信息，以確定如何綁定輸入和輸出緩沖區(qū)。

使用TensorRT的write_engine_to_file（）函數(shù)執(zhí)行序列化。

# Serialize TensorRT engine to a file for when you are ready to deploy your model.
trt.utils.write_engine_to_file(“keras_vgg19_b1_FP32.engine”, engine.serialize())

TensorRT Run-Time Inference

現(xiàn)在可以使用TensorRT部署應(yīng)用程序了。為了快速概括，到目前為止，您已經(jīng)將一個(gè)經(jīng)過(guò)訓(xùn)練的TensorFlow模型導(dǎo)入到TensorRT中，并執(zhí)行了許多優(yōu)化以生成運(yùn)行時(shí)引擎。您已經(jīng)將此引擎序列化為引擎計(jì)劃文件。您離線執(zhí)行了所有這些步驟，并且僅在部署之前執(zhí)行了一次。

下一步是將序列化模型加載到運(yùn)行時(shí)環(huán)境中，并對(duì)新數(shù)據(jù)執(zhí)行推斷。為了演示這個(gè)步驟，我們將使用TensorRT Lite API。這是一個(gè)高度抽象的接口，處理許多標(biāo)準(zhǔn)任務(wù)，如創(chuàng)建記錄器、從計(jì)劃文件反序列化引擎以創(chuàng)建運(yùn)行時(shí)，以及為引擎分配GPU內(nèi)存。在推斷過(guò)程中，它還自動(dòng)管理與GPU之間的數(shù)據(jù)傳輸，因此您只需創(chuàng)建一個(gè)引擎并開(kāi)始處理數(shù)據(jù)。對(duì)于更細(xì)粒度的控件，您可以始終使用標(biāo)準(zhǔn)API或C++ API。

from tensorrt.lite import Enginefrom tensorrt.infer import LogSeverityimport tensorrt # Create a runtime engine from plan file using TensorRT Lite API
engine_single = Engine(PLAN=“keras_vgg19_b1_FP32.engine”, postprocessors={“dense_2/Softmax”:analyze})
images_trt, images_tf = load_and_preprocess_images()
results = []
for image in images_trt:
result = engine_single.infer(image) # Single function for inference
results.append(result)

Conclusion

TensorRT解決了深度學(xué)習(xí)部署的三個(gè)關(guān)鍵挑戰(zhàn)。

高吞吐量和低延遲：如圖5所示，TensorRT執(zhí)行層融合、精確校準(zhǔn)和目標(biāo)自動(dòng)調(diào)整，以在7毫秒實(shí)時(shí)延遲下，在Volta GPU上提供高達(dá)40倍的推理速度，以及高達(dá)18倍的TensorFlow模型推理速度。這意味著，由于更好地利用了GPU資源，您可以輕松地?cái)U(kuò)展您的AI應(yīng)用程序以服務(wù)更多用戶。

功耗效率：通過(guò)針對(duì)特定目標(biāo)的優(yōu)化和動(dòng)態(tài)內(nèi)存管理，與深度學(xué)習(xí)框架推理相比，TensorRT提供了更高的功耗效率。低功耗設(shè)備運(yùn)行時(shí)間更長(zhǎng)，數(shù)據(jù)中心運(yùn)行溫度更低。

部署級(jí)解決方案：TensorRT是為部署而設(shè)計(jì)的。使用TensorRT，您可以部署一個(gè)輕量級(jí)運(yùn)行時(shí)，而不需要框架依賴(lài)性和開(kāi)銷(xiāo)。使用Python和C++接口，TensorRT可以很容易地從研究人員和數(shù)據(jù)科學(xué)家培訓(xùn)模型、開(kāi)發(fā)人員構(gòu)建生產(chǎn)部署應(yīng)用程序的每個(gè)人身上使用。

TensorRT 3現(xiàn)在可以免費(fèi)下載給NVIDIA開(kāi)發(fā)者程序的所有成員。請(qǐng)?jiān)L問(wèn)TensorRT主頁(yè)了解更多信息并立即下載TensorRT！

TensorRT也可以作為NVIDIA GPU云上的容器在本地或AWS
P3實(shí)例上使用。注冊(cè)一個(gè)NGC帳戶，可以免費(fèi)訪問(wèn)TensorRT容器以及NVIDIA優(yōu)化的深度學(xué)習(xí)框架容器進(jìn)行培訓(xùn)。

總結(jié)

以上是生活随笔為你收集整理的TensorRT 3:更快的TensorFlow推理和Volta支持的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。