【环境搭建：onnx模型部署】onnxruntime-gpu安装与测试（python）

• 依赖于 本地主机 上已安装的 cuda 和 cudnn 版本
• 不依赖于 本地主机 上已安装的 cuda 和 cudnn 版本

要注意：onnxruntime-gpu, cuda, cudnn三者的版本要对应，否则会报错 或 不能使用GPU推理。
onnxruntime-gpu, cuda, cudnn版本对应关系详见: 官网

2.1 方法一：onnxruntime-gpu依赖于本地主机上cuda和cudnn

• 查看已安装 cuda 和 cudnn 版本

# cuda version
cat /usr/local/cuda/version.txt

# cudnn version
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

• 根据 onnxruntime-gpu, cuda, cudnn 三者对应关系，安装相应的 onnxruntime-gpu 即可。

## cuda==10.2
## cudnn==8.0.3
## onnxruntime-gpu==1.5.0 or 1.6.0
pip install onnxruntime-gpu==1.6.0

2.2 方法二：onnxruntime-gpu不依赖于本地主机上cuda和cudnn

在 conda 环境中安装，不依赖于 本地主机 上已安装的 cuda 和 cudnn 版本，灵活方便。这里，先说一下已经测试通过的组合：

• python3.6, cudatoolkit10.2.89, cudnn7.6.5, onnxruntime-gpu1.4.0
• python3.8, cudatoolkit11.3.1, cudnn8.2.1, onnxruntime-gpu1.14.1

如果需要其他的版本， 可以根据 onnxruntime-gpu, cuda, cudnn 三者对应关系自行组合测试。

下面，从创建conda环境，到实现在GPU上加速onnx模型推理进行举例。

2.2.1 举例：创建onnxruntime-gpu==1.14.1的conda环境

## 创建conda环境
conda create -n torch python=3.8

## 激活conda环境
source activate torch
conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=11.3 -c pytorch -c conda-forge
conda install cudnn==8.2.1
pip install onnxruntime-gpu==1.14.1
## pip install ... (根据需求，安装其他的包)

2.2.2 举例：实例测试

• 打开终端，输入 watch -n 0.1 nvidia-smi, 实时查看gpu使用情况

• 代码测试，摘取API

  import numpy as np
  import torch
  import onnxruntime
  
  MODEL_FILE = '.model.onnx'
  DEVICE_NAME = 'cuda' if torch.cuda.is_available() else 'cpu'
  DEVICE_INDEX = 0
  DEVICE=f'{DEVICE\_NAME}:{DEVICE\_INDEX}'
  
  # A simple model to calculate addition of two tensors
  def model():
      class Model(torch.nn.Module):
          def \_\_init\_\_(self):
              super(Model, self).__init__()
  
          def forward(self, x, y):
              return x.add(y)
  
      return Model()
  
  # Create an instance of the model and export it to ONNX graph format
  def create\_model(type: torch.dtype = torch.float32):
      sample_x = torch.ones(3, dtype=type)
      sample_y = torch.zeros(3, dtype=type)
      torch.onnx.export(model(), (sample_x, sample_y), MODEL_FILE,
                        input_names=["x", "y"], output_names=["z"], 
                        dynamic_axes={"x":{0 : "array\_length\_x"}, "y":{0: "array\_length\_y"}})
   
  # Create an ONNX Runtime session with the provided model
  def create\_session(model: str) -> onnxruntime.InferenceSession:
      providers = ['CPUExecutionProvider']
      if torch.cuda.is_available():
          providers.insert(0, 'CUDAExecutionProvider')
      return onnxruntime.InferenceSession(model, providers=providers)
  
  # Run the model on CPU consuming and producing numpy arrays 
  def run(x: np.array, y: np.array) -> np.array:
      session = create_session(MODEL_FILE)
      z = session.run(["z"], {"x": x, "y": y})
      return z[0]   

  # Run the model on device consuming and producing ORTValues
  def run\_with\_data\_on\_device(x: np.array, y: np.array) -> onnxruntime.OrtValue:
      session = create_session(MODEL_FILE)
  
      x_ortvalue = onnxruntime.OrtValue.ortvalue_from_numpy(x, DEVICE_NAME, DEVICE_INDEX)
      y_ortvalue = onnxruntime.OrtValue.ortvalue_from_numpy(y, DEVICE_NAME, DEVICE_INDEX)
  
      io_binding = session.io_binding()
      io_binding.bind_input(name='x', device_type=x_ortvalue.device_name(), device_id=0, element_type=x.dtype, shape=x_ortvalue.shape(), buffer_ptr=x_ortvalue.data_ptr())
      io_binding.bind_input(name='y', device_type=y_ortvalue.device_name(), device_id=0, element_type=y.dtype, shape=y_ortvalue.shape(), buffer_ptr=y_ortvalue.data_ptr())
      io_binding.bind_output(name='z', device_type=DEVICE_NAME, device_id=DEVICE_INDEX, element_type=x.dtype, shape=x_ortvalue.shape())
 **自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。**

**深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

**因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

![img](https://img-blog.csdnimg.cn/img_convert/50809ccfd1284c956251fd56899a3a97.png)

![img](https://img-blog.csdnimg.cn/img_convert/8226a9113b285b95ad1a3ac7d29a347e.png)

![img](https://img-blog.csdnimg.cn/img_convert/4e734635fdaabbc24c1a276a3c726db0.png)

![img](https://img-blog.csdnimg.cn/img_convert/7c0ccca81c3b3e787e666d742fdb413e.png)

![img](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)

![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）**

提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）**

![](https://img-blog.csdnimg.cn/img_convert/d16a1784c4179c7f763920a33acfe970.jpeg)