TensorRT 7.2.1 开发概要（下）

TensorRT 7.2.1 开发概要（下）

1.2. Where Does TensorRT Fit?

一般来说，开发和部署深度学习模型的工作流要经过三个阶段。

Phase 1 is training
Phase 2 is developing a deployment solution, and
Phase 3 is the deployment of that solution

Phase 1: Training

在训练阶段，数据科学家和开发人员将首先陈述他们想要解决的问题，然后决定他们将使用的精确输入、输出和损失函数。他们还将收集、整理、扩充并可能标记训练、测试和验证数据集。然后他们将设计网络结构并训练模型。在训练过程中，他们将监控学习过程，这可能会提供反馈，使他们修正损失函数，获取或增加训练数据。在这个过程的最后，他们将验证模型的性能并保存经过训练的模型。训练和验证通常使用DGX-1完成™ 、Titan或特斯拉数据中心GPU。

TensorRT通常不在训练阶段的任何部分使用。

Phase 2:
Developing A Deployment Solution

在第二阶段，数据科学家和开发人员将从经过训练的模型开始，并使用这个经过训练的模型创建和验证部署解决方案。将这个阶段分解为几个步骤，您将得到：

1. 思考一下神经网络在它所属的大系统中是如何工作的，并设计和实现适当的解决方案。可能包含神经网络的系统范围非常多样。示例包括：

汽车的自动驾驶系统

公共场所或公司校园的视频安全系统

用户设备的语音接口

工业生产线自动化质量保证系统

提供产品推荐的在线零售系统，或

提供娱乐性过滤器的消费者网络服务用户可以应用到上传的图像。

<