libnvinfer.so依赖包安装

偷懒被反打，以为下个python版本的TensorRT就完事，不够用的，老老实实下载就完事了

当你使用 pip 安装 TensorRT 时，你实际上是在安装一个 Python 包，这个包包含了 Python 绑定和运行时需要的一些共享库。然而，pip 安装的 TensorRT Python 包并不一定包含所有的原生 .so 文件，特别是像 libnvinfer.so.7 这样的低层库文件。

TensorRT 的 pip 包设计为包含运行 Python 程序所需的库接口，这些库接口允许 Python 代码调用 TensorRT 功能。然而，为了保持 Python 包的小巧和兼容性，完整的 TensorRT C++ 库（包括 libnvinfer.so.7）可能不会被打包进 Python 轮子文件（.whl 文件）中。

libnvinfer.so.7 是一个 C++ 层面的库，它是 TensorRT 的一部分，用于实现推理引擎的核心功能。当使用 pip 安装时，TensorRT 的 Python 包通常会依赖于系统上已安装的 TensorRT C++ 库。这意味着你可能需要在系统级安装 TensorRT，以便提供这些底层的 .so 文件。

如果你通过 pip 安装了 TensorRT，并且遇到类似 “找不到 libnvinfer.so.7” 的错误，这通常意味着你的系统上缺少相应的 C++ 库。解决这个问题的方法可能包括：

1. 系统级安装：在你的系统上安装完整的 TensorRT 包，这通常是一个 .deb, .rpm 或 .tar 文件，它会包含所有必要的 .so 文件。

2. 环境变量：确保你的 LD_LIBRARY_PATH 环境变量包含了 TensorRT 和 CUDA 库的路径。即使你已经系统级安装了 TensorRT，如果 LD_LIBRARY_PATH 没有正确设置，动态链接器可能仍然找不到这些库。

3. 从源编译：如果需要，你可以从源代码编译 TensorRT，这将确保所有库文件都被构建并安装在你的系统上。

4. 使用 Conda：考虑使用 Anaconda 或 Miniconda 的 conda 包管理器来安装 TensorRT。conda 通常会提供一个更加自包含的环境，其中包含了所有必要的依赖库，包括 .so 文件。

5. 自定义安装：如果你只需要某些特定版本的 .so 文件，你可以从 NVIDIA 的官方网站下载相应的 TensorRT 版本，然后手动安装或提取你需要的 .so 文件到适当的目录。

总之，pip 安装的 TensorRT Python 包可能不包含 libnvinfer.so.7 这样的原生库文件，因此你可能需要额外的步骤来确保这些库文件在你的系统上可用。