深度学习算法优化系列十七 | TensorRT介绍，安装及如何使用？

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：

  1. 下载TensorRT-6.0.1.5安装包并解压。
  2. 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 FilesNVIDIA GPU Computing ToolkitCUDAv9.0bin。

TensorRT lib目录

  1. 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-6.0.1.5samplessampleMNIST。
  2. 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-6.0.1.5bin下面生成一个sample_mnist.exe了。

sampleMNIST工程属性

  1. 进入F:TensorRT-6.0.1.5datamnist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。
  2. 打开命令行测试一下上面的demo。命令如下：
>F:TensorRT-6.0.1.5binsample_mnist.exe --datadir=F:TensorRT-6.0.1.5datamnist

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

VirMach 便宜 VPS

QNews

QNews