TensorRT 5 开发者手册 中文版 使用深度学习框架（三-6）

原创作品，转载时请务必以超链接形式标明文章原始出处: http://www.dapalm.com/?p=206,作者：大数据，怕了么?
　　本手册为TensorRT 4.0.1.6 GA版英文手册翻译而来，主要作为备忘所用，分享出来以供更多开发者使用。TensorRT Developer Guide手册一共分为四个章节，主要内容在第二、三章，看懂这两章，写代码够用了。第一章为TensorRT综述，就是自吹有多牛逼。第四章为示例，介绍demo的代码结构及功能。开篇是目录，前三章每章为两到三篇，最后第四章示例，会拆分几个关键示例进行详细说明。
　　注意，2018年10月份，NVIDIA又更新TensorRT 5.0.2.6 Linux版本和TensorRT 5.0.1.3 Windows版，正式支持Windows10,经测试向下兼容Windows7也可以用。
　　本来这章应该是TensorRT4的第3章，在TensorRT5的手册上直接到了第8章，这里暂时先从第8章开始，继续翻译。有时间再补充前7章中与TensorRT4中增加的内容。

第8章 使用深度学习框架

使用Python API，利用TensorFlow，Caffe或ONNX等兼容框架构建的模型使用TensorRT提供的解析器构建加速引擎。Python API还支持以NumPy兼容格式存储权重的框架，如PyTorch。

8.1 框架支持的算子

Caffe
Caffe框架支持的操作：

• Convolution：3D,with or without bias

• Pooling :Max, Average, Max_Average_blend

• InnerProduct

• Softmax

• Activation : ReLu, Sigmoid,Tanh

• LRN

• Power

• ElementWise： sum, product, maximum, subtraction,division, power

• Concatenation: across channel

• Deconvolution

• BatchNormalization

• Scale

• Crop

• Reduction : sum,prod,max,min,avg

• Reshape

• Permute

• Dropout

• Concat

• ElementWise

• RNN : Input,Output,Forget,Update,Reset,Cell,Hidden

• Unary : exp,log,sqrt,recip,abs,neg

• Padding

• Shuffle

• Topk max,min

• Gather

• Matrix_Multiply

• Ragged_Softmax

• Constant : Uff模型的权值就是保存为常量类型

• RNN_v2

• Plugin ： FasterRCNN fused plugin (RPN + ROI pooling). Normalize plugin. Permute plugin. PriorBox plugin. SSD DetectionOutput plugin. Concat plugin. YOLO PReLU Plugin. YOLO Reorg Plugin. YOLO Region Plugin.

TensorFlow
TensorFlow框架支持的算子：

• Placeholder
• Const
• Add, Sub, Mul, Div, Minimum and Maximum
• BiasAdd
• Negative, Abs, Sqrt, Rsqrt, Pow, Exp and Log
注意：NvUffParser只支持Neg, Abs, Sqrt, Rsqrt, Exp和Log的常量节点
• FusedBatchNorm
• ReLU, TanH, and Sigmoid
• SoftMax
• Mean
• ConcatV2
• Reshape
• Transpose
• Conv2D
• DepthwiseConv2dNative
• ConvTranspose2D
• MaxPool
• AvgPool
• Pad

ONNX
ONNX解析器是一个开源项目,可以在GitHub：ONNX TensorRT中找到有关支持算子的最新信息。

8.2 使用TensorFlow

有关TensorFlow模型直接使用TensorRT的信息，请参阅：

• Python示例 - [9.2.2 end_to_end_tensorflow_mnist]
• TensorFlow框架中直接创建TensorRT引擎

8.2.1 TensorFlow模型生成冻结图

为了使用UFF命令行工具，TensorFlowGraph必须保存为.pd的冻结图文件，请参阅：

• TensorFlow模型生成冻结图的方法
• TensorFlow模型导出方法
  注意：一般是在模型导出的过程中直接转换成冻结图

8.2.2 Keras模型生成冻结图

使用如下代码生成Keras模型的冻结图：

from keras.models import load_model
import keras.backend as K
from tensorflow.python.framework import graph_io
from tensorflow.python.tools import freeze_graph
from tensorflow.core.protobuf import saver_pb2
from tensorflow.python.training import saver as saver_lib

def convert_keras_to_pb(keras_model, out_names, models_dir,model_filename):
	model = load_model(keras_model)
	K.set_learning_phase(0)
	sess = K.get_session()
	saver = saver_lib.Saver(write_version=saver_pb2.SaverDef.V2)
	checkpoint_path = saver.save(sess, 'saved_ckpt', global_step=0,
								latest_filename='checkpoint_state')
	graph_io.write_graph(sess.graph, '.', 'tmp.pb')
	freeze_graph.freeze_graph('./tmp.pb', '',
								False, checkpoint_path, out_names,
								"save/restore_all", "save/Const:0",
								models_dir+model_filename, False, "")
								

8.2.3 冻结图转换为UFF

使用如下示例代码将.pb冻结图转换成.uff格式文件：

convert-to-uff input_file [-o output_file] [-O output_node]

convert-to-uff input_file -l #打印TensorFlow层

8.2.4 使用TensorFlow RNN权重

本节提供有关TensorFlow权重及其存储格式的信息。此外，以下部分将指导您如何从TensorFlow处理和解密RNN权重。
这节主要内容是将各种训练框架下输出的模型权重转换成TensorRT格式（planner格式）

8.2.4.1 TensorRT支持的TensorFlow RNN单元

TensorRT中的循环神经网络层来自TensorFlow的MultiRNNCell算子。每一层由具有相同配置的多个子层组成，换句话说，隐藏和嵌入大小。完成该封装使得多个子层之间的内部连接可以从用户抽象出来（其实和DenseBlock、ResBlock一个意思，内部包含多个层）。当涉及更深层的网络时，这允许更简单的代码。

TensorRT支持四种不同的RNN层类型。这些层类型是RNN relu，RNN tanh，LSTM和GRU。与这些类型匹配的TensorFlow Cells是：

TensorRT RNN Relu/Tanh Layer
BaiscRNNCells

• 允许的激活函数有：tf.tanh 和 tf.nn.relu
• 这是一个独立于平台的单元

TensorRT LSTM Layer

BasicLSTMCell

• 在TensorFlow中创建这个算子的实例时，forget_bias必须设置为0。为了支持非0的遗忘偏置，需要通过添加一个参数化的遗忘偏置去转存TensorFlow的遗忘偏置。
• 这是一个独立于平台的单元

CudnnCompatibleLSTMCell

• 对forget bias的条件和BasicLSTMCell一样
• 目前不支持peepholes（gate由当前输入xt、上一时刻隐藏状态ht-1、上一时刻单元状态ct-1），use_peepholes必须设置成False
• cudnn兼容

TensorRT GRU Layer
CudnnCompatibleGRUCell

• cudnn兼容
• 由于与标准的、平台独立的GRUCell不同，所以CudnnCompatibleGRUCell可以在TensorRT中正确使用

8.2.4.2 保持TensorFlow和TensorRT之间的模型一致性

对于未在TensorFlow RNN Cells Supported In TensorRT中列出的任何TensorFlow Cell，请参阅TensorRT API和TensorFlow API以确保Cell在数学上等同于TensorRT支持的Cell，并且存储格式与您期望的格式一致。 这样做的一个好方法是设计单元测试，使用TensorFlow作为正