标签: 8章

TensorRT部署手把手教您，跟我一起来学习。这东西就是NVidia在自家显卡上做了一个深度学习inference加速的框架，只要你把训练好的模型参数和结构告诉他，他就能自动帮你优化（硬件相关），以达到最快速度。这涉及两个问题：应该以什么模型格式把模型喂给TensorRT？如何使用TensorRT优化后的模型？对于第一个问题：现在的深度学习框架非常多，不止常用的pytorch/tensorflow，而即使是同一种框架还可以使用不同的编程语言实现。让TensorRT对每一个框架都直接支持，显然是不可能的。TensorRT只需要知道网络的结构和参数即可，它支持三种转换入口：TF-TRT，要求是TensorFlow模型ONNX模型格式使用TensorRTAPI手动把模型搭起来，然后把参数加载进去第一种不够灵活，第三种比较麻烦，所以最省事方便的就是第二种方法。本文介绍第二种。ONNX就是一个通用的神经网络格式，一个.onnx文件内包含了网络的结构和参数。甭管是用什么深度学习框架写的网络，只要把模型导出成ONNX格式，就跟原本的代码没有关系了。转成ONNX格式还没有被优化，需要再使用TensorRT读取它并优化成TensorRTEngine。优化参数也在这一步指定。对于第二个问题：得到的TensorRTEngine是硬件相关的，之后跑模型只需要运行这个Engine即可。调用TensorRTEngine需要使用TensorRTRuntimeAPI。所以整个逻辑就是：把你的模型导出成ONNX格式。把ONNX格式模型输入给TensorRT，并指定优化参数。使用TensorRT优化得到TensorRTEngine。使用TensorRTEngine进行inference。屏蔽nouveau驱动nouveau是系统自带的一个显示驱动程序，需要先将其禁用，然后再进行下一步操作，否则在安装显卡驱动时，会提示：YouappeartoberunninganXserver…，然后安装失败。分别打开如下两个文件（如果没有就创建一个），并在其中输入如下两句，然后保存。#vim/etc/modprobe.d/nvidia-installer-disable-nouveau.conf#vim/lib/modprobe.d/nvidia-installer-disable-nouveau.conf...blacklistnouveauoptionsnouveaumodeset=0重做initramfs镜像重做镜像之后启动才会屏蔽驱动，否则无效，重做时应先rm已有驱动，否则会提示无法覆盖。这一步需要确保boot文件目录的空间足够，否则会失败。建议大于400MB#cp/boot/initramfs-$(uname-r).img/boot/initramfs-$(uname-r).img.bak#dracut/boot/initramfs-$(uname-r).img$(uname-r)--force#rm/boot/initramfs-$(uname-r).img.bak;这一步可不执行如果想用YOLOv5对图像做目标检测，在将图像输入给模型之前还需要做一定的预处理操作，预处理操作应该与模型训练时所做的操作一致。YOLOv5的输入是RGB格式的3通道图像，图像的每个像素需要除以255来做归一化，并且数据要按照CHW的顺序进行排布。所以YOLOv5的预处理大致可以分为两个步骤：将原始输入图像缩放到模型需要的尺寸，比如640x640。这一步需要注意的是，原始图像是按照等比例进行缩放的，如果缩放后的图像某个维度上比目标值小，那么就需要进行填充。举个例子：假设输入图像尺寸为768x576，模型输入尺寸为640x640，按照等比例缩放的原则缩放后的图像尺寸为640x480，那么在y方向上还需要填充640-480=160（分别在图像的顶部和底部各填充80）。来看一下实现代码：cv::Matinput_image=cv::imread("dog.jpg");cv::Matresize_image;constintmodel_width=640;constintmodel_height=640;constfloatratio=std::min(model_width/(input_image.cols*1.0f),               model_height/(input_image.rows*1.0f));//等比例缩放constintborder_width=input_image.cols*ratio;constintborder_height=input_image.rows*ratio;//计算偏移值constintx_offset=(model_width-border_width)/2;constinty_offset=(model_height-border_height)/2;cv::resize(input_image,resize_image,cv::Size(border_width,border_height));cv::copyMakeBorder(resize_image,resize_image,y_offset,y_offset,x_offset,          x_offset,cv::BORDER_CONSTANT,cv::Scalar(114,114,114));//转换为RGB格式cv::cvtColor(resize_image,resize_image,cv::COLOR_BGR2RGB);格式转化要将tensorflow的pb文件转化为uff格式的文件，首先找到convert_to_uff文件，看自己用的是哪个版本的python，如果是python3，则在/usr/lib/python3.5/dist-packages/uff/bin文件夹下，如果是python2，则在/usr/lib/python2.7/dist-packages/uff/bin文件夹下我们在终端中进入end_to_end_tensorflow_mnist，运行以下指令首先使用Pytorch实现一个和上文一致的模型，即只对输入做一次池化并输出；然后将Pytorch模型转换成ONNX模型；最后将ONNX模型转换成TensorRT模型。这里主要使用了TensorRT的OnnxParser功能，它可以将ONNX模型解析到TensorRT的网络中。最后我们同样可以得到一个TensorRT模型，其功能与上述方式实现的模型功能一致。importtorch importonnx importtensorrtastrt   onnx_model='model.onnx'  classNaiveModel(torch.nn.Module):   def__init__(self):     super().__init__()     self.pool=torch.nn.MaxPool2d(2,2)    defforward(self,x):     returnself.pool(x)  device=torch.device('cuda:0')  #generateONNXmodel torch.onnx.export(NaiveModel(),torch.randn(1,3,224,224),onnx_model,input_names=['input'],output_names=['output'],opset_version=11) onnx_model=onnx.load(onnx_model)  #createbuilderandnetwork logger=trt.Logger(trt.Logger.ERROR) builder=trt.Builder(logger) EXPLICIT_BATCH=1<<(int)(   trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH) network=builder.create_network(EXPLICIT_BATCH)  #parseonnx parser=trt.OnnxParser(network,logger)  ifnotparser.parse(onnx_model.SerializeToString()):   error_msgs=''   forerrorinrange(parser.num_errors):     error_msgs+=f'{parser.get_error(error)}\n'   raiseRuntimeError(f'Failedtoparseonnx,{error_msgs}')  config=builder.create_builder_config() config.max_workspace_size=1<<20 profile=builder.create_optimization_profile()  profile.set_shape('input',[1,3,224,224],[1,3,224,224],[1,3,224,224]) config.add_optimization_profile(profile) #createengine withtorch.cuda.device(device):   engine=builder.build_engine(network,config)  withopen('model.engine',mode='wb')asf:   f.write(bytearray(engine.serialize()))   print("generatingfiledone!") 

电子产品日新月异，不管是硬件工程师还是软件工程师，基本的模电、数电知识也是必备的条件，从二极管到三极管，从单片机到多核MCU，3G网络到5G产品的普及，不管电子产品的集成度怎么高，其产品还是少不了电阻电容电感，每个元器件在电路中必然有其作用，有兴趣了解的网友，下载学习学习吧。

ARM9嵌入式系统设计基础教程电子课件_第8章嵌入式系统

High-SpeedDigitalSystemDesign中文版第8章数字时序分析

High-SpeedDigitalSystemDesign中文版第8章数字时序分析

这些都是各大名校的电路分析专业课之最大法宝，把这些题目悉心研究几遍，定会考出高分。无论对于即将考研的你，还是即将走向电子工程师岗位的你，都会获益匪浅。希望大家利用好这些历年真题，对于你今后的电子电路设计有所帮助。

ARM9嵌入式系统设计基础教程电子课件第8章嵌入式系统.zip

High-SpeedDigitalSystemDesign中文版第8章数字时序分析

传感器原理及应用-第8章

ARM9嵌入式系统设计基础教程电子课件第8章嵌入式系统.rar

ARM9嵌入式系统设计基础教程－第8章嵌入式系统

电子产品日新月异，不管是硬件工程师还是软件工程师，基本的模电、数电知识也是必备的条件，从二极管到三极管，从单片机到多核MCU，3G网络到5G产品的普及，不管电子产品的集成度怎么高，其产品还是少不了电阻电容电感，每个元器件在电路中必然有其作用，有兴趣了解的网友，下载学习学习吧。

MATLAB培训资料_第8章数值积分.

High-SpeedDigitalSystemDesign中文版第8章数字时序分析

模拟电子线路_第8章_信号处理电路

ARM9嵌入式系统设计基础教程电子课件-第8章嵌入式系统

第8章非正弦周期电流电路.ppt

典型题解——第8章相量法

要点、考点与例题——第8章相量法

同步习题与详解——第8章相量法