[TRT] TensorRT was linked against cuBLAS/cuBLAS LT 11.5.1 but loaded cuBLAS/cuBLAS LT 11.4.2

最新推荐文章于 2023-10-25 18:10:28 发布
最新推荐文章于 2023-10-25 18:10:28 发布
阅读量5.5k 收藏 10
点赞数 6
分类专栏： # TensorRT_CUDA
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013171226/article/details/119353781
版权

在centos7安装cuda11.3,cudnn8.2.1,TensorRT8后，在运行程序时候提示：

[TRT] TensorRT was linked against cuBLAS/cuBLAS LT 11.5.1 but loaded cuBLAS/cuBLAS LT 11.4.2

这是因为安装的cuda是11.3.0版本的，里面的cublas不是11.5.1，安装11.3.1版本的cuda就好了，我们可以看一下cuda11.3.1的介绍。

https://docs.nvidia.com/cuda/archive/11.3.1/cuda-toolkit-release-notes/index.html

 

陈 洪 伟
关注
  • 6
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
rt-detr目标检测+python+tensorRT推理代码
06-28
该代码实现rt-detr的部署，使用python，调用tensorRT转换后的模型，实现单张图片或者图片文件夹批量推理，代码输入图片/文件夹路径，模型路径，输出图片保存路径，运行命令python ./infer_tensorrt.py --infer_dir=./inputimgs/ --output_dir ./outputimgs/ --models ./rtdetr_hgnetv2_l_6x_coco.trt，即可得到测试结果。
详解TensorRT was linked against cuBLAS/cuBLAS LT 11.2.0 but loaded cuBLAS/cuBLAS
牛肉胡辣汤
01-29 1167
在使用TensorRT进行加速推理时，有时会遇到以下警告消息： "TensorRT was linked against cuBLAS/cuBLAS LT 11.2.0 but loaded cuBLAS/cuBLAS“ 这个警告表示，TensorRT在编译时链接的cuBLAS库版本与当前加载的cuBLAS库版本不匹配。本文将详细探讨这个问题的原因，以及如何解决它。当TensorRT在编译时链接了一个特定版本的cuBLAS库，但在运行时加载的cuBLAS库版本与之前链接的版本不一致时，就会出现上述警告。
torch2trt:易于使用的PyTorch到TensorRT转换器
05-11
火炬2trt 您在TensorRT中使用或希望使用哪些模型？ 随时加入的讨论。 torch2trt是一个使用TensorRT Python API的PyTorch到TensorRT转换器。 转换器是 易于使用-使用单个函数调用torch2trt转换模块 易于扩展-用Python编写自己的层转换器@tensorrt_converter注册 如果您发现问题，请！ 请注意，此转换器对TensorRT / PyTorch的覆盖范围有限。 我们创建它主要是为了轻松优化项目中使用的模型。 如果您发现该转换器对其他型号有帮助，请。 用法 以下是一些用法示例，有关更多信息，请查看。 兑换 import torch from torch2trt import torch2trt from torchvision . models . alexnet import alexnet # create s
从0到1配置TensorRT环境
qq_45893319的博客
10-25 700
配置TensorRT环境
tensorRT简明使用
络小绎
08-10 2907
tensorrt主要用于优化模型推理速度，是硬件相关的。首先保存模型的.pth权重文件，然后将其转化为.wts文件。之后编写c++程序对.wts进行编译，生成.engine文件，通过.engine来进行tensorrt的推理。或者将网络结构保存为onnx格式，然后利用ONNX-TensorRT工具将onnx转换为tensorrt模型即可。...
[TRT] TensorRT was linked against cuBLAS/cuBLAS LT 11.5.1 but loaded cuBLAS/cuBLAS LT 11.4.1
qq_27278957的博客
01-03 993
[TRT] TensorRT was linked against cuBLAS/cuBLAS LT 11.5.1 but loaded cuBLAS/cuBLAS LT 11.4.1
安装ubuntu20.04 遇到的问题，及cuda、cudnn、tensorrt安装提示
weixin_44359953的博客
08-05 4888
cuda cudnn tensorrt安装提示
TensorRT - TensorRT was linked against cuBLAS/cuBLAS LT 11.6.1 but loaded cuBLAS/cuBLAS LT 11.5.4错误提
HW140701的博客
03-03 703
我自己以为只要是下载cuda 11.4的版本就行了，之后的小版本就没在意，所以当时下载的时候我就下载了cuda 11.4.1，但是cuda 11.4.1的cuBLAS的版本只有11.5.4.8，那么如何知道哪一个cuda版本中的cuBLAS版本呢？所以我们应该下载安装的版本是cuda 11.4.2，而不是cuda 11.4.1，所以为了避免出现问题（虽然不知道不适用对应的cuda版本会出现什么问题），还是一个版本一个版本慢慢校对，直到找到合适的cuda版本。
TensorRT 笔记
programC47的博客
06-29 462
.
TensorRT was linked against cuBLAS/cuBLAS LT 11.2.0 but loaded cuBLAS/cuBLAS
jacke121的专栏
12-14 5368
TensorRT was linked against cuBLAS/cuBLAS LT 11.2.0 but loaded cuBLAS/cuBLASLT 10.2 原因： TensorRT和cuda版本需要匹配 重新下载和cuda版本匹配的版本 TensorRT下载页面有选择版本的。
朝圣者项目：torch2trt，将pytorch模型快速转换为TensorRT引擎。-C/C++开发
05-27
该项目由torch2trt和torch2trt_dynamic分叉，此项目的目的是提供一种将pytorch模型直接转换为TensorRT引擎的朝圣者项目。 TensorRT引擎。 如果您的模型是基于pytorch构建的，则可以加快您的项目的工作速度；我们已经...
pytorch 将onnx模型转换为trt TensorRT模型
03-20
适用于TensorRT8.0版本及以上 使用步骤 1、chmod 添加文件执行权限 2、将onnx路径修改为自己的onnx模型路径 3、运行py问价
TensorRT-pytorch2TRT转换工程-优质实用项目.zip
最新发布
02-27
TensorRT_pytorch2TRT转换工程_优质实用项目
torch2trt：易于使用的PyTorch到TensorRT转换器
02-25
torch2trt是一个使用TensorRT Python API的PyTorch到TensorRT转换器。 转换器是 易于使用-通过单个函数调用torch2trt转换模块 易于扩展-用Python编写自己的层转换器，并在@tensorrt_converter注册 如果您发现问题，...
【TensorRT】实际测试中有效对应的cuda版本和cudnn版本
热门推荐
LeonJin的博客
01-06 1万+
官网下载： https://developer.nvidia.com/nvidia-tensorrt-8x-download cuDNN Archive | NVIDIA Developer CUDA Toolkit Archive | NVIDIA Developer 实测1 显卡：Quadro P3200 (计算能力 6.1) CUDA：11.3.1（https://developer.download.nvidia.com/compute/cuda/11.3.1/local_insta
ubuntu20.04,GeForce RTX 3060,CUDA Version: 11.4安装cuda
u013454780的博客
12-19 7200
ubuntu20.04,GeForce RTX 3060,CUDA Version: 11.4安装cuda11.4,cudnn v8.2.4.15
【TensorRT】TensorRT was linked against cuBLAS/cuBLAS LT 11.3.0 but loaded cuBLAS/cuBLAS LT 11.2.1
豆芽菜
04-14 3889
问题： 在使用TensorRT-7.2.3.4.Windows10.x86_64.cuda-11.1.cudnn8.1时，发布模型和推理发布的trt模型时出现警告，并且发现推理速度很慢： [W] [TRT] TensorRT was linked against cuBLAS/cuBLAS LT 11.3.0 but loaded cuBLAS/cuBLAS LT 11.2.1 原因： 由于使用的是官方Release版本的TensorRT，因此使用需要同原...
TensorRT实现EfficientDet推理加速（一）
IT菜鸟
10-01 2661
一、参考资料 EfficientDet tensorrt 二、相关环境 1. 系统环境 Environment Operating System + Version: Ubuntu + 16.04 TensorRT Version: 8.0.1.6 GPU Type: GeForce GTX1650,4GB Nvidia Driver Version: 470.63.01 CUDA Version: 11.0.194 CUDNN Version: 7.6.5 Python Version (if appli
使用TensorRT遇到的小问题
qq_41151162的博客
07-14 2486
1、使用TensorRT生成.engine文件时报错： TensorRT was linked against cuBLAS/cuBLAS LT 11.3.0 but loaded cuBLAS/cuBLAS LT 11.2.0 问题原因：CUDA版本不对 解决：使用的TensorRT版本为7.2.1.6支持的CUDA版本为11.0 update1即11.0.3，安装11.0.3即可 2、本机GPU为gtx 960M，目标机器GPU为P2000，程序在目标机器运行报错： [E] [TRT] ../
tensorrt加载trt
03-30
文件的代码示例： ```python import tensorrt as trt import numpy as np # Load serialized TensorRT engine from file TRT_LOGGER = trt.Logger(trt.Logger.WARNING) with open('model.trt', 'rb') as f: engine_data = f.read() engine = trt.Runtime(TRT_LOGGER).deserialize_cuda_engine(engine_data) # Create execution context for inference context = engine.create_execution_context() # Allocate input and output buffers for inference input_shape = (3, 224, 224) input_size = np.prod(input_shape) * 4 input_buf = cuda.mem_alloc(input_size) output_shape = (1000,) output_size = np.prod(output_shape) * 4 output_buf = cuda.mem_alloc(output_size) # Set input data input_data = np.ones(input_shape, dtype=np.float32) cuda.memcpy_htod(input_buf, input_data.reshape(-1)) # Run inference context.execute_v2(bindings=[int(input_buf), int(output_buf)]) output_data = np.zeros(output_shape, dtype=np.float32) cuda.memcpy_dtoh(output_data, output_buf) # Print output print(output_data) ``` 这个示例代码展示了如何使用TensorRT加载一个TRT文件，并对其进行推理。首先，我们使用TensorRT运行时反序列化引擎数据并创建执行上下文。然后，我们分配输入和输出缓冲区，并将输入数据复制到输入缓冲区中。最后，我们运行推理并从输出缓冲区中读取输出数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

陈 洪 伟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值