tensorRT--- 动态shape

动态shape,即编译时指定可动态的范围[L-H],推理时可以允许 L <= shape <= H

重点提炼:

1. OptimizationProfile 是一个优化配置文件,用来指定输入的 shape 可以变换的范围的,不要被优化两个字蒙蔽了双眼
2. 如果 onnx 的输入某个维度是 -1 ,表示该维度动态,否则表示该维度是明确的,明确维度的 minDims , optDims , maxDims 一定是一样的

动态shape,即编译时指定可动态的范围[L-H],推理时可以允许 L <= shape <= H

重点提炼:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorRT 支持动态输入和输出形状。这意味着您可以在推理期间更改张量的形状,而不需要重新构建引擎。 在 TensorRT 中使用动态形状需要以下步骤: 1. 创建一个 ICudaEngine 对象,并使用 Dims 类型的最大形状定义输入和输出张量的形状。 2. 在运行时使用 IExecutionContext::setBindingDimensions 方法指定实际输入和输出形状。 3. 在执行推理之前,使用 IExecutionContext::executeV2 方法传递输入和输出缓冲区。 下面是一个使用 TensorRT 动态形状的示例代码: ```python import tensorrt as trt # 创建一个 ICudaEngine 对象 with trt.Builder(TRT_LOGGER) as builder, builder.create_network() as network, \ trt.OnnxParser(network, TRT_LOGGER) as parser: builder.max_workspace_size = 1 << 30 builder.max_batch_size = 1 builder.fp16_mode = True with open(onnx_file_path, 'rb') as model: parser.parse(model.read()) engine = builder.build_cuda_engine(network) # 创建 IExecutionContext 对象 with engine.create_execution_context() as context: # 获取输入和输出绑定信息 input_binding_info = context.get_binding_shape(0) output_binding_info = context.get_binding_shape(1) # 设置实际输入和输出形状 input_shape = (1, 3, 224, 224) output_shape = (1, 1000) context.set_binding_shape(0, input_shape) context.set_binding_shape(1, output_shape) # 创建输入和输出缓冲区 input_buffer = np.zeros(input_shape, dtype=np.float32) output_buffer = np.zeros(output_shape, dtype=np.float32) # 执行推理 context.execute_v2(bindings=[input_buffer, output_buffer]) ``` 在上面的示例中,我们首先使用 TensorRTONNX 解析器解析 ONNX 模型,并创建一个 ICudaEngine 对象。然后,我们使用 IExecutionContext::get_binding_shape 方法获取输入和输出张量的绑定信息,然后使用 IExecutionContext::set_binding_shape 方法设置实际输入和输出形状。最后,我们创建输入和输出缓冲区,并使用 IExecutionContext::execute_v2 方法进行推理。 需要注意的是,使用动态形状可能会导致一些性能损失,因为 TensorRT 无法在编译时优化缓冲区大小。此外,动态形状功能在某些硬件上可能不受支持。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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