基於TensorRt的TensorFlow模型前向推理過程

目錄

1. 安裝TensorRt

2. 模型保存

2.1 顯存分配

3. 模型轉換

4. 模型推理測試

---

環境：

系統：ubuntu 18.04

cuda: 10.0

cudnn: 7.4

Tensorflow： 2.0.0

TensorRt: 6.1

1. 安裝TensorRt

1. 下載TensorRt 安裝包：https://developer.nvidia.com/tensorrt

點擊Download Now即可選擇不同的版本下載，選擇版本時需要根據你的系統版本與cuda版本。如果是第一次下載，需要註冊一個賬戶，然後填一個調查問卷，挺簡單的。儘量下載.tar壓縮文件，和GA版本，GA表示穩定版，RC表示發行測試版。下載的速度可能會比較慢，請科學上網，方能玩轉深度學習。

2. 安裝

儘量選擇一個python虛擬環境(使用conda創建)來安裝，而且該環境已經安裝了tensorflow-gpu版本，這是前置條件。

2.1 系統路徑設置

將lib加入系統路徑中：

sudo gedit ~/.bashrc

 將下面的語句複製到文件的最後面

export LD_LIBRARY_PATH=/home/snow/TensorRT-6.0.1.5/lib:$LD_LIBRARY_PATH

更新一哈

source ~/.bashrc

2.2 安裝tensorrt

打開終端，cd進TensorRT/python文件夾下:

根據你的python版本來選擇不同的安裝文件

note: 如果環境中有pip, pip2, pip3, 安裝python2包使用pip2, 安裝python3的包使用pip3； 如果只有一個pip， 就無所謂拉，直接使用pip。

tensorrt導入沒有錯誤，則安裝成功

在Pycharm中如果導入失敗，在終端導入成功，可以將lib下的庫全部複製到 /usr/lib下，基本就可以拉。

2.3 安裝uff,  graphsurgeon:

不知道是不是我的tensorflow版本過高的問題，uff可以安裝成功，導入就是不能成功，有點鬱悶，也沒事，本文暫時用不到uff模塊，如果哪位小夥伴知道爲什麼導入失敗，請在下方評論，謝謝。

uff 測試方法與tensorrt一樣，

>>>import uff

不出錯就沒有問題啦，我的Import失敗，不知道你們能不能成功，我在另一臺電腦，ubuntu16.04, tf1.x，是可以導入成功的。

 graphsurgeon不用測試，提示安裝成功就可以啦。

2. 模型保存

以mnist數據集爲例：

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from tensorflow.keras import datasets, optimizers
# from tensorflow.python.compiler.tensorrt import trt_convert

def preprocess(x, y):
    """
    x is a simple image, not a batch
    """
    x = tf.expand_dims(x, axis=-1)
    x = tf.cast(x, dtype=tf.float32) / 255.
    # x = tf.reshape(x, [28 * 28])
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=10)
    return x, y


batchsz = 128

def train():
    # 可以直接使用datasets.mnist.load_data()，如果網絡好，可以連接外網，
    # 如果下載不了，可以自己先下載文件
    (x, y), (x_val, y_val) = datasets.mnist.load_data('/home/snow/picture/mnist.npz')
    print('datasets:', x.shape, y.shape, x.min(), x.max())

    db = tf.data.Dataset.from_tensor_slices((x, y))
    db = db.map(preprocess).shuffle(10000).batch(batchsz)
    ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
    ds_val = ds_val.map(preprocess).batch(batchsz)

    # sample = next(iter(db))
    # print(sample[0].shape, sample[1].shape)
    inputs = tf.keras.Input(shape=(28,28,1), name='input')
    # [28, 28, 1] => [28, 28, 64]
    input = tf.keras.layers.Flatten(name="flatten")(inputs)
    fc_1 = tf.keras.layers.Dense(512, activation='relu', name='fc_1')(input)
    fc_2 = tf.keras.layers.Dense(256, activation='relu', name='fc_2')(fc_1)
    pred = tf.keras.layers.Dense(10, activation='softmax', name='output')(fc_2)

    model = tf.keras.Model(inputs=inputs, outputs=pred, name='mnist')
    model.summary()
    Loss = []
    Acc = []
    optimizer = optimizers.Adam(0.001)
    # epoches = 5
    for epoch in range(1):
        # 創建用於測試精度的參數
        total_num = 0
        total_correct = 0
        for step, (x,y) in enumerate(db):
            with tf.GradientTape() as tape:

                pred = model(x)
                loss = tf.keras.losses.categorical_crossentropy(y_pred=pred,
                                                                y_true=y,
                                                                from_logits=False)
                loss = tf.reduce_mean(loss)
                grades = tape.gradient(loss, model.trainable_variables)
                optimizer.apply_gradients(zip(grades, model.trainable_variables))
                # 輸出loss值
            if step % 10 == 0:
                print("epoch: ", epoch, "step: ", step, "loss: ", loss.numpy())
                Loss.append(loss)

        # 計算精度，將全連接層的輸出轉化爲概率值輸出
        for step, (x_val, y_val) in enumerate(ds_val):
            # 預測測試集的輸出

            pred = model(x_val)
            # pred = tf.nn.softmax(pred, axis=1)
            pred = tf.argmax(pred, axis=1)
            pred = tf.cast(pred, tf.int32)
            y_val = tf.argmax(y_val, axis=1)
            y_val = tf.cast(y_val, tf.int32)
            correct = tf.equal(pred, y_val)
            correct = tf.cast(correct, tf.int32)
            correct = tf.reduce_sum(correct)
            total_correct += int(correct)
            total_num += x_val.shape[0]
            if step % 20 == 0:
                acc_step = total_correct / total_num
                print("第" + str(step) + "步的階段精度是：", acc_step)
                Acc.append(float(acc_step))

        acc = total_correct / total_num
        print("epoch %d test acc: " % epoch, acc)
    # 方式1：
    model.save('./model/tf_savedmodel', save_format='tf')
    # 方式2：
    # tf.saved_model.save(obj=model, export_dir="./model/")

if __name__ == "__main__":
    train()

所有代碼中，應該注意的是model.save() ,它前面的代碼是訓練代碼，可以根據自己的網絡修改，最後的保存方式是重點：

model.save('./model/tf_savedmodel', save_format='tf')，第一個參數是保存路徑，第二個參數是保存格式，不能修改。

2.1 顯存分配

在ubuntu系統下，非常容易出現顯存不足的情況，可以加上下面指令，可以有效分配顯存，當然，如果顯存很大，可以略過。

方式1：

import os
os.environ["TF_FORCE_GPU_ALLOW_GROWTH"] = "true"

方式2：

# 寫在頭文件下面
# physical_devices = tf.config.experimental.list_physical_devices('GPU')
# assert len(physical_devices) > 0, "Not enough GPU hardware devices available"
# tf.config.experimental.set_memory_growth(physical_devices[0], True)

---

3. 模型轉換

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
from tensorflow.python.compiler.tensorrt import trt_convert as trt
params = trt.DEFAULT_TRT_CONVERSION_PARAMS
params._replace(precision_mode=trt.TrtPrecisionMode.FP32)
converter = trt.TrtGraphConverterV2(input_saved_model_dir="./model/yolo_tf_model", conversion_params=params)
# 完成轉換,但是此時沒有進行優化,優化在執行推理時完成
converter.convert()
converter.save('./model/trt_savedmodel')

這一步也會生成一個.pb文件，這個文件則是tensorrt文件

4. 模型推理測試

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
os.environ["TF_FORCE_GPU_ALLOW_GROWTH"] = "true"
import tensorflow as tf
from tensorflow.python.compiler.tensorrt import trt_convert as trt
from tensorflow.keras.datasets import mnist
import time
import cv2
import numpy as np

# physical_devices = tf.config.experimental.list_physical_devices('GPU')
# assert len(physical_devices) > 0, "Not enough GPU hardware devices available"
# tf.config.experimental.set_memory_growth(physical_devices[0], True)

(x_train, y_train), (x_test, y_test) = mnist.load_data('/home/snow/picture/mnist.npz')
x_test = x_test.astype('float32')
x_test = x_test.reshape(10000, 784)
x_test /= 255

# 讀取模型
saved_model_loaded = tf.saved_model.load("./model/trt_savedmodel", tags=[trt.tag_constants.SERVING])
# 獲取推理函數,也可以使用saved_model_loaded.signatures['serving_default']
graph_func = saved_model_loaded.signatures[trt.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY]
# 將模型中的變量變成常量,這一步可以省略,直接調用graph_func也行
frozen_func = trt.convert_to_constants.convert_variables_to_constants_v2(graph_func)

count = 20
for x,y in zip(x_test, y_test):
    x = tf.cast(x, tf.float32)
    start = time.time()
    # frozen_func(x)返回值是個列表
    # 列表中含有一個元素，就是輸出tensor，使用.numpy()將其轉化爲numpy格式
    output = frozen_func(x)[0].numpy()
    end = time.time()
    times = (end - start) * 1000.0
    print("tensorrt times: ", times, " ms")
    result = np.argmax(output, 1)
    print("prediction result: ", result, "  |  ", "true result: ", y)

    if count == 0:
        break
    count -= 1

輸出結果展示：

總共循環了20次，第一次較慢，後面就開始趨於正常，一張圖片預測只花費了0.4ms左右，超過2000fps/s，簡直恐怖，而且我的顯卡也不好，MX150。當然網絡小是主要原因。

---

 現在用YOLOV2來測試一波，YOLOV2有23層網絡,4000多萬的參數量：

來看看它的速度：

平均172ms，速度還是極爲快的，而且，在未轉化爲tensorRt模型之前的原模型，在我電腦上都跑不動，顯存不足。