From 6c5855e93f44b6a08fc14ffaa3a4b4b50fe6f6cf Mon Sep 17 00:00:00 2001 From: BaofengZan Date: Mon, 21 Sep 2020 13:49:08 +0800 Subject: [PATCH] =?UTF-8?q?=E5=88=A0=E9=99=A4=E6=95=99=E7=A8=8B=E6=96=87?= =?UTF-8?q?=E6=A1=A3?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- HRNetClassification/使用TRT加速网络-零.md | 137 ---------------------- 1 file changed, 137 deletions(-) delete mode 100644 HRNetClassification/使用TRT加速网络-零.md diff --git a/HRNetClassification/使用TRT加速网络-零.md b/HRNetClassification/使用TRT加速网络-零.md deleted file mode 100644 index 8278c02..0000000 --- a/HRNetClassification/使用TRT加速网络-零.md +++ /dev/null @@ -1,137 +0,0 @@ -# 使用TRT加速网络-零 - -本次教程以HRNet分类器（HRNet-W18-C-Small-v2）为例子 - -code：https://github.com/HRNet/HRNet-Image-Classification - -paper：https://arxiv.org/abs/1908.07919 - -## 1 论文网络的基本了解 - -无论是仅仅使用网络还是要对网络改进，首先都要对网络有一定了解。对于这种比较火的网络，网上大批详解博客，可以多去阅读，加上论文，来对网络理解。 - -HRNet分类器网络看起来很简单，如下图 - -![img](imgs/682463-20200104221712824-157549407.png) - -从网络中可看到基本组件很简单：卷积和upsmple。【这里就表明网络TRT加速时不会有plugin的需求。】 - -参考博客： - -1. https://www.cnblogs.com/darkknightzh/p/12150637.html -2. https://zhuanlan.zhihu.com/p/143385915 -3. https://blog.csdn.net/weixin_37993251/article/details/88043650 -4. https://blog.csdn.net/weixin_38715903/article/details/101629781?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=dis - -## 2 pytorch代码跑通 - -跑通demo是很重要的一步。跑通后就可以一步一步跟进，看到底走了哪些层，这样心里就会有一个基本框架；然后可以生成wts文件；同时也可以生成onnx文件。 - -上述的**参考博客4**中对代码有详细介绍，可以详细分析下。 - -建议：**对于运行环境，建议使用anaconda的conda create 创建虚拟环境，这样没有一系列环境问题。** - -```python -conda create -n xx python=3.7 # 创建环境 -activate xx # 激活 -pip install xxxx # 安装包 -deactivate xx # 推出环境 -``` - -在生成wts文件时，没有必须每次都是去配置`gen_wts.py`，主要是读取模型，保存模型参数。只要demo文件跑通就可以随时保存为wts。 - -## 3 pytorch代码debug - -这一步骤单独拉出来是因为在debug的过程中，要关注经过哪些层，预处理有哪些，后处理有哪些。另外在后面搭建TRT网络时，还要根据debug过程在中的一些信息来调试trt网络。 - -## 4 网络的可视化 - -将pytorch模型保存为onnx，可有可无。但是建议如果可以保存，就使用onnx来可视化网络。这样对网络架构一级每层的输入输出就会非常明了。 - -如果无法保存onnx，搭建网络时，要根据wts来分析，比较麻烦。 - -另外强烈建议：**无论是否保存了onnx，都要手动在纸上将网络在画一遍，，并且将每层的输出维度标注下来，这样搭建层比较多的网络时，不会晕，并且在debugTRT网络时可以有效定位错误。** - -在手动画网络图时，可以给每个节点“标号”，利用该“标号”在搭建TRT网络时，可以很清楚知道 **“哪个节点输入，经过某种操作，输出哪个节点。”** - -在onnx图中看到几个层一定要心里有数： - -比如下面红线框出的一大块实际上就是upsample层 - -image-20200918141353768 - -下面的为FC层： - -![image-20200918141448071](imgs/image-20200918141448071.png) - -Conv+BN+Relu层 - -![image-20200918141632723](imgs/image-20200918141632723.png) - -ResBlock层 - -![image-20200918141709487](imgs/image-20200918141709487.png) - -单击节点。会有详细信息，这些信息使搭建网络变得方便。 - -![image-20200918141931327](imgs/image-20200918141931327.png) - - - -如果无法导出onnx： - -搭建网络时需要从wts中查看层名，各个卷积层信息需要从代码中分析。 - -其中卷积层后面的size信息为： -$$ -InKsize * OutKsize * Kszie*Ksize -$$ -比如第二个卷积层： 卷积层 的输入维度64 输出维度64 卷积核大小3*3 -$$ -64*64*3*3=36864 -$$ -![image-20200918142140645](imgs/image-20200918142140645.png) - -## 5 TRT搭建网络 - -搭建网络时就按照onnx图一层一层搭建。 - -几点建议： - -1 要不断去查API的使用 https://docs.nvidia.com/deeplearning/tensorrt/api/c_api/index.html - -2 利用已有的模块，不要重复造轮子 - -3 各个层名使用onnx 的id，这样在搭建网络时不会晕。，根据onnx的结点信息，各层之间的连接也不会出错。 - -![image-20200918142959711](imgs/image-20200918142959711.png) - -## 6 TRT网络debug - -搭建网络过程肯定会出错，debug是必要的手段： - -1 打印每层的维度 - -```c++ -Dims dim = id_1083->getOutput(0)->getDimensions(); -std::cout << dim[0] << " " << dim[1] << " " << dim[2] << " " << dim[3] << std::endl; -``` - -**一般如果出现生成engine就失败的情况，就从createEngine的第一句开始调试，并且随时关注窗口输出，如果在某一层出现大量提示信息，那么该层就会有问题，就将该层的输入tensor维度和输出tensor维度信息都打印出来，看输出的维度是否正常。** - -2 打印输出 - -TRT是先构建网络，然后再enqueue时才能得到各层的输出信息，因此若想对比每一层的输出，需要将该层设置为output层 - -```c++ -out->getOutput(0)->setName(OUTPUT_BLOB_NAME); // out可替换为任意一层 -network->markOutput(*out->getOutput(0)); -``` - -3 关注输入层data - -数据层的debug无需第2步的做法，直接可以查看预处理后的结果。在debug - -## 7 TRT代码整理 - -这里就是将TRT搭建的网络，能封装函数，就封装为函数模块，增加代码可读性。 \ No newline at end of file