集成TensorRT使用说明

使用步骤

环境准备

在基本的环境准备之外，使用TensorRT需要集成CUDA、TensorRT。当前版本适配CUDA 10.1 和TensorRT 6.0.1.5 以及 CUDA 11.1 和 TensorRT 8.5.1.

安装相应版本的CUDA，并将安装后的目录设置为环境变量${CUDA_HOME}。构建脚本将使用这个环境变量寻找CUDA。

下载对应版本的TensorRT压缩包，并将压缩包解压后的目录设置为环境变量${TENSORRT_PATH}。构建脚本将使用这个环境变量寻找TensorRT。

编译构建

在Linux环境下，使用MindSpore源代码根目录下的build.sh脚本可以构建集成TensorRT的MindSpore Lite包，先配置环境变量MSLITE_GPU_BACKEND=tensorrt，再执行编译命令如下，它将在MindSpore源代码根目录下的output目录下构建出MindSpore Lite的包，其中包含libmindspore-lite.so以及测试工具Benchmark。

bash build.sh -I x86_64

有关编译详情见Linux环境编译。

集成使用

集成说明

开发者需要集成使用TensorRT功能时，需要注意：
- 在代码中配置TensorRT后端，有关使用Runtime执行推理详情见使用Runtime执行推理（C++）。
- 编译执行可执行程序。如采用动态加载方式，参考编译输出中编译选项为-I x86_64时的内容，需要配置的环境变量如下，将会动态加载相关的so。
```
export LD_LIBRARY_PATH=mindspore-lite-{version}-{os}-{arch}/runtime/lib/:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=user-installed-tensorrt-path/lib/:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=user-installed-cuda-path/lib/:$LD_LIBRARY_PATH
```
Benchmark测试TensorRT推理

用户也可以使用MindSpore Lite的Benchmark工具测试TensorRT推理。编译出的Benchmark位置见编译输出。将构建包传到具有TensorRT环境（TensorRT 6.0.1.5）的设备上使用Benchmark工具测试TensorRT推理，示例如下：
- 测性能
```
./benchmark --device=GPU --modelFile=./models/test_benchmark.ms --timeProfiling=true
```
- 测精度
```
./benchmark --device=GPU --modelFile=./models/test_benchmark.ms --inDataFile=./input/test_benchmark.bin --inputShapes=1,32,32,1 --accuracyThreshold=3 --benchmarkDataFile=./output/test_benchmark.out
```
有关Benchmark使用详情，见Benchmark使用。

有关环境变量设置，需要根据编译输出中编译选项为-I x86_64时的目录结构，将libmindspore-lite.so（目录为mindspore-lite-{version}-{os}-{arch}/runtime/lib）、CUDA的so库所在的目录和TensorRT的so库所在的目录加入${LD_LIBRARY_PATH}。
模型序列化

TensorRT推理支持将已构建的TensorRT模型（Engine）序列化为二进制文件保存在本地，下次使用时即可从本地反序列化加载模型，避免重新构建，降低开销。支持此功能，用户需要在代码中使用LoadConfig接口加载配置文件，配置文件中须指定序列化文件保存路径：
```
[ms_cache]
serialize_path=/path/to/config
```
模型动态输入

默认情况下，TensorRT根据定义模型的输入形状(批大小、图像大小等)优化模型。但是，可以通过配置profile在运行时调整输入维度，在profile中可以设置每个动态输入的最小、动态以及最优形状，TensorRT会根据用户设置的profile创建一个优化引擎，并选择最优最快的内核，并且在profile中支持一个输入配置多个输入维度。支持此功能，用户需要在代码中使用LoadConfig接口加载配置文件。

如果min、opt 和 max 是最小、最优和最大维度，并且real_shape是输入张量的形状，则以下条件必须成立：
1. len(min) == len(opt) == len(max) == len(real_shape)
2. 0 < min[i] <= opt[i] <= max[i] for all i
3. if real_shape[i] != -1, then min[i] == opt[i] == max[i] == real_shape[i]
4. 在使用没有动态维度的张量输入时，所有形状必须等于real_shape。
比如模型输入1的名字为”input_name1”，其输入维度为[3,-1,-1]（-1代表该维度支持动态变化），最小尺寸为[3,100,200]，最大尺寸为[3,200,300]，优化尺寸为[3,150,250]；模型输入2的名字为”input_name2”，其输入维度为[-1,-1，1]，最小尺寸为[700,800,1]，最大尺寸为[800,900,1]，优化尺寸为[750,850,1]，则配置文件中需配置为：
```
[gpu_context]
input_shape=input_name1:[3,-1,-1];input_name2:[-1,-1,1]
dynamic_dims=[100~200,200~300];[700~800,800~900]
opt_dims=[150,250];[750,850]
```
同时可支持多profile的配置，若配置多个profile，根据上述的例子，增加一个profile的配置。增加输入1的profile的最小尺寸为[3,201,200]，最大尺寸为[3,150,300]，优化尺寸为[3,220,250]；增加输入2的profile，其最小尺寸为[801,800,1]，最大尺寸为[850,900,1]，优化尺寸为[810,850,1]，配置文件样例如下：
```
[gpu_context]
input_shape=input_name1:[3,-1,-1];input_name2:[-1,-1,1]
dynamic_dims=[100~200,200~300],[201~250,200~300];[700~800,800~900],[801~850,800~900]
opt_dims=[150,250],[220,250];[750,850],[810,850]
```

算子支持

TensorRT算子支持见Lite 算子支持。