---

TensorRT系列传送门(不定期更新): 深度框架|TensorRT

---

---

一、引言

模型训练时，每次训练可以接受不同batch大小的数据进行迭代，同样，在推理时，也会遇到输入Tensor大小(shape)是不确定的情况，其中最常见的就是动态batch了。

动态batch，故名思意，就是只batch大小不确定的情况，比如这次推理了一张图像，下次推理就需要同时推理两张图像。

在Tensorflow中，定义一个动态batch的Tensor可以用 -1来表示动态的维度

 tf.placeholder(tf.float32, shape=(-1, 1024))

而在TensorRT中，又是如何定义动态维度的呢？

本篇文章主要记录一下博主在TensorRT中使用动态batch的一些方法及技巧，如有错误，欢迎指正。

二、TRT在线加载模型，并序列化保存支持动态batch的引擎

这里与之前固定batch建立engine的流程相似，也需要经历以下几个步骤

• 1、创建一个builder
• 3、创建一个netwok
• 4、建立一个 Parser
• 5、建立 engine
• 6、建议contex

区别时建议engine时，config里需要设置一下OptimizationProfile文件

• step1 准备工作

首先准备一个具有动态batch的onnx模型，
至于如何从pytorch转支持动态batch的onnx模型，我在另一篇文章中，做过介绍，具体见

OnnxRunTime的部署流程

转出后，可以用netron来查看，转持的onnx模型，是否支持动态维度。

• step2 序列化保存模型的函数

#include <iostream>
#include "NvInfer.h"
#include "NvOnnxParser.h"
#include "logging.h"
#include "opencv2/opencv.hpp"
#include <fstream>
#include <sstream>
#include "cuda_runtime_api.h"
static Logger gLogger;
using namespace nvinfer1;


bool saveEngine(const ICudaEngine& engine, const std::string& fileName)
{
    
	std::ofstream engineFile(fileName, std::ios::binary);
	if (!engineFile)
	{
    
		std::cout << "Cannot open engine file: " << fileName << std::endl;
		return false;
	}

	IHostMemory* serializedEngine = engine.serialize();
	if (serializedEngine == nullptr)
	{
    
		std::cout << "Engine serialization failed" << std::endl;
		return false;
	}

	engineFile.write(static_cast<char*>(serializedEngine->data()), serializedEngine->size());
	return !engineFile.fail();
}

• step3 加载onnx模型，并构建动态Trt引擎

	//	1、创建一个builder
	IBuilder* pBuilder = createInferBuilder(gLogger); 
	// 2、 创建一个 network，要求网络结构里，没有隐藏的批量处理维度
	INetworkDefinition* pNetwork = pBuilder->createNetworkV2(1U << static_cast<int>(NetworkDefinitionCreationFlag::kEXPLICIT_BATCH));
	
	// 3、 创建一个配置文件
	nvinfer1::IBuilderConfig* config = pBuilder->createBuilderConfig();
	// 4、 设置profile，这里动态batch专属
	IOptimizationProfile* profile = pBuilder->createOptimizationProfile();
	// 这里有个OptProfileSelector，这个用来设置优化的参数,比如（Tensor的形状或者动态尺寸），

	profile->setDimensions("input_1", OptProfileSelector::kMIN, Dims4(1, 1, 112, 112));
	profile->setDimensions("input_1", OptProfileSelector::kOPT, Dims4(2, 1, 112, 112));
	profile->setDimensions("input_1", OptProfileSelector::kMAX, Dims4(4, 1, 112, 112));

	config->addOptimizationProfile(profile);

	auto parser = nvonnxparser::createParser(*pNetwork, gLogger.getTRTLogger());

	char* pchModelPth = "./res_hjxu_temp_dynamic.onnx";

	if (!parser->parseFromFile(pchModelPth, static_cast<int>(gLogger.getReportableSeverity())))
	{
    

		printf("解析onnx模型失败\n");
	}

	int maxBatchSize = 4;
	pBuilder->setMaxWorkspaceSize(1 << 30);
	pBuilder->setMaxBatchSize(maxBatchSize);
	 设置推理模式
	builder->setFp16Mode(true);
	ICudaEngine* engine = pBuilder->buildEngineWithConfig(*pNetwork, *config);

	std::string strTrtSavedPath = "./res_hjxu_temp_dynamic.trt";
	// 序列化保存模型
	saveEngine(*engine, strTrtSavedPath);
	nvinfer1::Dims dim = engine->getBindingDimensions(0);
	// 打印维度
	print_dims(dim);

这里print_dims就是打印维度

void print_dims(const nvinfer1::Dims& dim)
{
    
	for (int nIdxShape = 0; nIdxShape < dim.nbDims; ++nIdxShape)
	{
    
		
		printf("dim %d=%d\n", nIdxShape, dim.d[nIdxShape]);
		
	}
}

可以看到，打印的dim0就是-1啦。

• step4 类IOptimizationProfile和枚举OptProfileSelector的简短介绍

我们可以看出，和固定batch构建engine不同之处，在设置build配置时时，增加了个IOptimizationProfile*配置文件，如设置维度需要增加以下操作
如

nvinfer1::IOptimizationProfile* createOptimizationProfile()
profile->setDimensions("input_1", OptProfileSelector::kMIN, Dims4(1, 1, 112, 112));
profile->setDimensions("input_1", OptProfileSelector::kOPT, Dims4(2, 1, 112, 112));
profile->setDimensions("input_1", OptProfileSelector::kMAX, Dims4(4, 1, 112, 112));

咱们来看看IOptimizationProfile这个类

class IOptimizationProfile
{
    
public:
    //! 设置动态inputTensor的最小/最合适/最大维度
    //! 不管时什么网络的输入的tensor，这个函数必须被调用三次(for the minimum, optimum, and maximum) 
    //! 一下列举了三种情况
    //! (1) minDims.nbDims == optDims.nbDims == maxDims.nbDims == networkDims.nbDims
    //! (2) 0 <= minDims.d[i] <= optDims.d[i] <= maxDims.d[i] for i = 0, ..., networkDims.nbDims-1
    //! (3) if networkDims.d[i] != -1, then minDims.d[i] == optDims.d[i] == maxDims.d[i] == networkDims.d[i]
     //! 如果选择了DLA，这三个值必须相同的
    //!
    virtual bool setDimensions(const char* inputName, OptProfileSelector select, Dims dims) noexcept = 0;
    //! \brief Get the minimum / optimum / maximum dimensions for a dynamic input tensor.
    virtual Dims getDimensions(const char* inputName, OptProfileSelector select) const noexcept = 0;
    //! \brief Set the minimum / optimum / maximum values for an input shape tensor.
    virtual bool setShapeValues(
        const char* inputName, OptProfileSelector select, const int32_t* values, int32_t nbValues) noexcept
        = 0;
    //! \brief Get the number of values for an input shape tensor.
    virtual int32_t getNbShapeValues(const char* inputName) const noexcept = 0;
    //! \brief Get the minimum / optimum / maximum values for an input shape tensor.
    virtual const int32_t* getShapeValues(const char* inputName, OptProfileSelector select) const noexcept = 0;
    //! \brief Set a target for extra GPU memory that may be used by this profile.
    //! \return true if the input is in the valid range (between 0 and 1 inclusive), else false
    //!
    virtual bool setExtraMemoryTarget(float target) noexcept = 0;
    //! \brief Get the extra memory target that has been defined for this profile.
    virtual float getExtraMemoryTarget() const noexcept = 0;
    //! \brief Check whether the optimization profile can be passed to an IBuilderConfig object.
    //! \return true if the optimization profile is valid and may be passed to an IBuilderConfig, else false
    virtual bool isValid() const noexcept = 0;

protected:
    ~IOptimizationProfile() noexcept = default;
};

再看OptProfileSelector 这个枚举
这个枚举就三个值。最小、合适、和最大

// 最小和最大，指运行时，允许的最小和最大的范围
// 最佳值，用于选择内核，这里通常为运行时，最期望的大小
// 比如在模型推理时，有两路数据，通常batch就为2，batch为1或者为4出现的概率都比较低，
// 这时候，建议kOPT选择2， min选择1，如果最大路数为4，那max就选择四

enum class OptProfileSelector : int32_t
{
    
    kMIN = 0, //!< This is used to set or get the minimum permitted value for dynamic dimensions etc.
    kOPT = 1, //!< This is used to set or get the value that is used in the optimization (kernel selection).
    kMAX = 2  //!< This is used to set or get the maximum permitted value for dynamic dimensions etc.
};

三、反序列化加载动态batch的引擎，并构建动态context，执行动态推理

定义一个加载engine的函数，和固定batch时一样的

ICudaEngine* loadEngine(const std::string& engine, int DLACore)
{
    
	std::ifstream engineFile(engine, std::ios::binary);
	if (!engineFile)
	{
    
		std::cout << "Error opening engine file: " << engine << std::endl;
		return nullptr;
	}

	engineFile.seekg(0, engineFile.end);
	long int fsize = engineFile.tellg();
	engineFile.seekg(0, engineFile.beg);

	std::vector<char> engineData(fsize);
	engineFile.read(engineData.data(), fsize);
	if (!engineFile)
	{
    
		std::cout << "Error loading engine file: " << engine << std::endl;
		return nullptr;
	}

	IRuntime* runtime = createInferRuntime(gLogger);
	if (DLACore != -1)
	{
    
		runtime->setDLACore(DLACore);
	}

	return runtime->deserializeCudaEngine(engineData.data(), fsize, nullptr);
}

然后按以下步骤执行推理

• 创建engine
• 创建context
• 在显卡上创建最大batch的的内存空间，这样只需要创建一次，避免每次推理都重复创建，浪费时间
• 拷贝动态tensor的内存
• 设置动态维度，调用context->setBindingDimensions(）函数
• 调用context执行推理
• 查看输出结果

void test_engine()
{
    
	std::string strTrtSavedPath = "./res_hjxu_temp_dynamic.trt";
	int maxBatchSize = 4;
	// 1、反序列化加载引擎
	ICudaEngine* engine = loadEngine(strTrtSavedPath, 0);
	// 2、创建context
	IExecutionContext* context = engine->createExecutionContext();

	int nNumBindings = engine->getNbBindings();
	std::vector<void*> vecBuffers;
	vecBuffers.resize(nNumBindings);
	int nInputIdx = 0;
	int nOutputIndex = 1;

	int nInputSize =   1 * 112 * 112 * sizeof(float);
	// 4、在cuda上创建一个最大的内存空间
	(cudaMalloc(&vecBuffers[nInputIdx], nInputSize * maxBatchSize));
	(cudaMalloc(&vecBuffers[nOutputIndex], maxBatchSize * 2 * sizeof(float)));

	char* pchImgPath = "./img.bmp";
	cv::Mat matImg = cv::imread(pchImgPath, -1);
	std::cout << matImg.rows << std::endl;
	cv::Mat matRzImg;
	cv::resize(matImg, matRzImg, cv::Size(112, 112));
	cv::Mat matF32Img;
	matRzImg.convertTo(matF32Img, CV_32FC1);
	matF32Img = matF32Img / 255.;

	for (int i = 0; i < maxBatchSize; ++i)
	{
    
		cudaMemcpy((unsigned char *)vecBuffers[nInputIdx] + nInputSize * i, matF32Img.data, nInputSize, cudaMemcpyHostToDevice);

	}
	
	// 动态维度，设置batch = 1	0指第0个tensor的维度
	context->setBindingDimensions(0, Dims4(1, 1, 112, 112));
	nvinfer1::Dims dim = context->getBindingDimensions(0);

	context->executeV2(vecBuffers.data());
	//context->execute(1, vecBuffers.data());
	float prob[8];

	(cudaMemcpy(prob, vecBuffers[nOutputIndex], maxBatchSize * 2 * sizeof(float), cudaMemcpyDeviceToHost));

	for (int i = 0; i < 8; ++i)
	{
    
		std::cout << prob[i] << "  ";
	}
	std::cout <<"\n-------------------------" << std::endl;

	// 动态维度，设置batch = 4
	context->setBindingDimensions(0, Dims4(4, 1, 112, 112));
	context->executeV2(vecBuffers.data());
	//context->execute(1, vecBuffers.data());


	(cudaMemcpy(prob, vecBuffers[nOutputIndex], maxBatchSize * 2 * sizeof(float), cudaMemcpyDeviceToHost));
	for (int i = 0; i < 8; ++i)
	{
    
		std::cout << prob[i] << "  ";
	}
	std::cout << "\n-------------------------" << std::endl;
	//std::cout << prob[0] << "  " << prob[1] << std::endl;

	// call api to release memory
	/// ...
	return ;
}

结果打印中，可以看到，当batch为1时，输出后面6个值为0，当batch为4是，输出后面六个值都有正确的结果。咱们这里调用的是二分类的resnet50网络.