本章說明 Python API 的基本用法，假設您從 ONNX 模型開始。onnx_resnet50.py示例更詳細地說明了這個用例。

Python API 可以通過tensorrt模塊訪問：

import tensorrt as trt

4.1. The Build Phase

要創建構建器，您需要首先創建一個記錄器。 Python 綁定包括一個簡單的記錄器實現，它將高于特定嚴重性的所有消息記錄到stdout。

logger = trt.Logger(trt.Logger.WARNING)

或者，可以通過從ILogger類派生來定義您自己的記錄器實現：

class MyLogger(trt.ILogger):
    def __init__(self):
       trt.ILogger.__init__(self)

    def log(self, severity, msg):
        pass # Your custom logging implementation here

logger = MyLogger()

然后，您可以創建一個構建器：

builder = trt.Builder(logger)

4.1.1. Creating a Network Definition in Python

創建構建器后，優化模型的第一步是創建網絡定義：

network = builder.create_network(1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH))

為了使用 ONNX 解析器導入模型，需要EXPLICIT_BATCH標志。有關詳細信息，請參閱顯式與隱式批處理部分。

4.1.2. Importing a Model using the ONNX Parser

現在，需要從 ONNX 表示中填充網絡定義。您可以創建一個 ONNX 解析器來填充網絡，如下所示：

parser = trt.OnnxParser(network, logger)

然后，讀取模型文件并處理任何錯誤：

success = parser.parse_from_file(model_path)
for idx in range(parser.num_errors):
    print(parser.get_error(idx))

if not success:
    pass # Error handling code here

4.1.3. Building an Engine

下一步是創建一個構建配置，指定 TensorRT 應該如何優化模型：

config = builder.create_builder_config()

這個接口有很多屬性，你可以設置這些屬性來控制 TensorRT 如何優化網絡。一個重要的屬性是最大工作空間大小。層實現通常需要一個臨時工作空間，并且此參數限制了網絡中任何層可以使用的最大大小。如果提供的工作空間不足，TensorRT 可能無法找到層的實現：

config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, 1 << 20) # 1 MiB

指定配置后，可以使用以下命令構建和序列化引擎：

serialized_engine = builder.build_serialized_network(network, config)

將引擎保存到文件以供將來使用可能很有用。你可以這樣做：

with open(“sample.engine”, “wb”) as f:
    f.write(serialized_engine)

4.2. Deserializing a Plan

要執行推理，您首先需要使用Runtime接口反序列化引擎。與構建器一樣，運行時需要記錄器的實例。

runtime = trt.Runtime(logger)

然后，您可以從內存緩沖區反序列化引擎：

engine = runtime.deserialize_cuda_engine(serialized_engine)

如果您需要首先從文件加載引擎，請運行：

with open(“sample.engine”, “rb”) as f:
    serialized_engine = f.read()

4.3. Performing Inference

引擎擁有優化的模型，但要執行推理需要額外的中間激活狀態。這是通過IExecutionContext接口完成的：

context = engine.create_execution_context()

一個引擎可以有多個執行上下文，允許一組權重用于多個重疊的推理任務。 （當前的一個例外是使用動態形狀時，每個優化配置文件只能有一個執行上下文。）

要執行推理，您必須為輸入和輸出傳遞 TensorRT 緩沖區，TensorRT 要求您在 GPU 指針列表中指定。您可以使用為輸入和輸出張量提供的名稱查詢引擎，以在數組中找到正確的位置：

input_idx = engine[input_name]
output_idx = engine[output_name]

使用這些索引，為每個輸入和輸出設置 GPU 緩沖區。多個 Python 包允許您在 GPU 上分配內存，包括但不限于 PyTorch、Polygraphy CUDA 包裝器和 PyCUDA。

然后，創建一個 GPU 指針列表。例如，對于 PyTorch CUDA 張量，您可以使用data_ptr()方法訪問 GPU 指針；對于 PolygraphyDeviceArray，使用ptr屬性：

buffers = [None] * 2 # Assuming 1 input and 1 output
buffers[input_idx] = input_ptr
buffers[output_idx] = output_ptr

填充輸入緩沖區后，您可以調用 TensorRT 的execute_async方法以使用 CUDA 流異步啟動推理。

首先，創建 CUDA 流。如果您已經有 CUDA 流，則可以使用指向現有流的指針。例如，對于 PyTorch CUDA 流，即torch.cuda.Stream()，您可以使用cuda_stream屬性訪問指針；對于 Polygraphy CUDA 流，使用ptr屬性。 接下來，開始推理：

context.execute_async_v2(buffers, stream_ptr)

通常在內核之前和之后將異步memcpy()排入隊列以從 GPU 中移動數據（如果數據尚不存在）。

要確定內核（可能還有memcpy() ）何時完成，請使用標準 CUDA 同步機制，例如事件或等待流。例如，對于 Polygraphy，使用：

stream.synchronize()

如果您更喜歡同步推理，請使用execute_v2方法而不是execute_async_v2。

關于作者

Ken He 是 NVIDIA 企業級開發者社區經理 & 高級講師，擁有多年的 GPU 和人工智能開發經驗。自 2017 年加入 NVIDIA 開發者社區以來，完成過上百場培訓，幫助上萬個開發者了解人工智能和 GPU 編程開發。在計算機視覺，高性能計算領域完成過多個獨立項目。并且，在機器人和無人機領域，有過豐富的研發經驗。對于圖像識別，目標的檢測與跟蹤完成過多種解決方案。曾經參與 GPU 版氣象模式GRAPES，是其主要研發者。

審核編輯：郭婷