5.1. Object Lifetimes

TensorRT 的 API 是基于類(lèi)的，其中一些類(lèi)充當(dāng)其他類(lèi)的工廠。對(duì)于用戶擁有的對(duì)象，工廠對(duì)象的生命周期必須跨越它創(chuàng)建的對(duì)象的生命周期。例如， NetworkDefinition和BuilderConfig類(lèi)是從構(gòu)建器類(lèi)創(chuàng)建的，這些類(lèi)的對(duì)象應(yīng)該在構(gòu)建器工廠對(duì)象之前銷(xiāo)毀。

此規(guī)則的一個(gè)重要例外是從構(gòu)建器創(chuàng)建引擎。創(chuàng)建引擎后，您可以銷(xiāo)毀構(gòu)建器、網(wǎng)絡(luò)、解析器和構(gòu)建配置并繼續(xù)使用引擎。

5.2. Error Handling and Logging

創(chuàng)建 TensorRT 頂級(jí)接口（builder、runtime 或 refitter）時(shí)，您必須提供Logger （ C++ 、 Python ）接口的實(shí)現(xiàn)。記錄器用于診斷和信息性消息；它的詳細(xì)程度是可配置的。由于記錄器可用于在 TensorRT 生命周期的任何時(shí)間點(diǎn)傳回信息，因此它的生命周期必須跨越應(yīng)用程序中對(duì)該接口的任何使用。實(shí)現(xiàn)也必須是線程安全的，因?yàn)?TensorRT 可以在內(nèi)部使用工作線程。

對(duì)對(duì)象的 API 調(diào)用將使用與相應(yīng)頂級(jí)接口關(guān)聯(lián)的記錄器。例如，在對(duì)ExecutionContext：：enqueue（）的調(diào)用中，執(zhí)行上下文是從引擎創(chuàng)建的，該引擎是從運(yùn)行時(shí)創(chuàng)建的，因此 TensorRT 將使用與該運(yùn)行時(shí)關(guān)聯(lián)的記錄器。

錯(cuò)誤處理的主要方法是ErrorRecorde （ C++ ， Python ） 接口。您可以實(shí)現(xiàn)此接口，并將其附加到 API 對(duì)象以接收與該對(duì)象關(guān)聯(lián)的錯(cuò)誤。對(duì)象的記錄器也將傳遞給它創(chuàng)建的任何其他記錄器 – 例如，如果您將錯(cuò)誤記錄器附加到引擎，并從該引擎創(chuàng)建執(zhí)行上下文，它將使用相同的記錄器。如果您隨后將新的錯(cuò)誤記錄器附加到執(zhí)行上下文，它將僅接收來(lái)自該上下文的錯(cuò)誤。如果生成錯(cuò)誤但沒(méi)有找到錯(cuò)誤記錄器，它將通過(guò)關(guān)聯(lián)的記錄器發(fā)出。

請(qǐng)注意，CUDA 錯(cuò)誤通常是異步的 – 因此，當(dāng)執(zhí)行多個(gè)推理或其他 CUDA 流在單個(gè) CUDA 上下文中異步工作時(shí)，可能會(huì)在與生成它的執(zhí)行上下文不同的執(zhí)行上下文中觀察到異步 GPU 錯(cuò)誤。

5.3 Memory

TensorRT 使用大量設(shè)備內(nèi)存，即 GPU 可直接訪問(wèn)的內(nèi)存，而不是連接到 CPU 的主機(jī)內(nèi)存。由于設(shè)備內(nèi)存通常是一種受限資源，因此了解 TensorRT 如何使用它很重要。

5.3.1. The Build Phase

在構(gòu)建期間，TensorRT 為時(shí)序?qū)訉?shí)現(xiàn)分配設(shè)備內(nèi)存。一些實(shí)現(xiàn)可能會(huì)消耗大量臨時(shí)內(nèi)存，尤其是在使用大張量的情況下。您可以通過(guò)構(gòu)建器的maxWorkspace屬性控制最大臨時(shí)內(nèi)存量。這默認(rèn)為設(shè)備全局內(nèi)存的完整大小，但可以在必要時(shí)進(jìn)行限制。如果構(gòu)建器發(fā)現(xiàn)由于工作空間不足而無(wú)法運(yùn)行的適用內(nèi)核，它將發(fā)出一條日志消息來(lái)指示這一點(diǎn)。

然而，即使工作空間相對(duì)較小，計(jì)時(shí)也需要為輸入、輸出和權(quán)重創(chuàng)建緩沖區(qū)。 TensorRT 對(duì)操作系統(tǒng)因此類(lèi)分配而返回內(nèi)存不足是穩(wěn)健的，但在某些平臺(tái)上，操作系統(tǒng)可能會(huì)成功提供內(nèi)存，隨后內(nèi)存不足killer進(jìn)程觀察到系統(tǒng)內(nèi)存不足，并終止 TensorRT 。如果發(fā)生這種情況，請(qǐng)?jiān)谥卦囍氨M可能多地釋放系統(tǒng)內(nèi)存。

在構(gòu)建階段，通常在主機(jī)內(nèi)存中至少有兩個(gè)權(quán)重拷貝：來(lái)自原始網(wǎng)絡(luò)的權(quán)重拷貝，以及在構(gòu)建引擎時(shí)作為引擎一部分包含的權(quán)重拷貝。此外，當(dāng) TensorRT 組合權(quán)重（例如卷積與批量歸一化）時(shí)，將創(chuàng)建額外的臨時(shí)權(quán)重張量。

5.3.2. The Runtime Phase

在運(yùn)行時(shí)，TensorRT 使用相對(duì)較少的主機(jī)內(nèi)存，但可以使用大量的設(shè)備內(nèi)存。

引擎在反序列化時(shí)分配設(shè)備內(nèi)存來(lái)存儲(chǔ)模型權(quán)重。由于序列化引擎幾乎都是權(quán)重，因此它的大小非常接近權(quán)重所需的設(shè)備內(nèi)存量。

ExecutionContext使用兩種設(shè)備內(nèi)存：

一些層實(shí)現(xiàn)所需的持久內(nèi)存——例如，一些卷積實(shí)現(xiàn)使用邊緣掩碼，并且這種狀態(tài)不能像權(quán)重那樣在上下文之間共享，因?yàn)樗拇笮∪Q于層輸入形狀，這可能因上下文而異。該內(nèi)存在創(chuàng)建執(zhí)行上下文時(shí)分配，并在其生命周期內(nèi)持續(xù)。

暫存內(nèi)存，用于在處理網(wǎng)絡(luò)時(shí)保存中間結(jié)果。該內(nèi)存用于中間激活張量。它還用于層實(shí)現(xiàn)所需的臨時(shí)存儲(chǔ)，其邊界由IBuilderConfig：：setMaxWorkspaceSize（）控制。

您可以選擇通過(guò)ICudaEngine：：createExecutionContextWithoutDeviceMemory（）創(chuàng)建一個(gè)沒(méi)有暫存內(nèi)存的執(zhí)行上下文，并在網(wǎng)絡(luò)執(zhí)行期間自行提供該內(nèi)存。這允許您在未同時(shí)運(yùn)行的多個(gè)上下文之間共享它，或者在推理未運(yùn)行時(shí)用于其他用途。 ICudaEngine：：getDeviceMemorySize（）返回所需的暫存內(nèi)存量。

構(gòu)建器在構(gòu)建網(wǎng)絡(luò)時(shí)發(fā)出有關(guān)執(zhí)行上下文使用的持久內(nèi)存和暫存內(nèi)存量的信息，嚴(yán)重性為 kINFO 。檢查日志，消息類(lèi)似于以下內(nèi)容：

[08/12/2021-17:39:11] [I] [TRT] Total Host Persistent Memory: 106528
[08/12/2021-17:39:11] [I] [TRT] Total Device Persistent Memory: 29785600
[08/12/2021-17:39:11] [I] [TRT] Total Scratch Memory: 9970688

默認(rèn)情況下，TensorRT 直接從 CUDA 分配設(shè)備內(nèi)存。但是，您可以將 TensorRT 的IGpuAllocator （ C++ 、 Python ）接口的實(shí)現(xiàn)附加到構(gòu)建器或運(yùn)行時(shí)，并自行管理設(shè)備內(nèi)存。如果您的應(yīng)用程序希望控制所有 GPU 內(nèi)存并子分配給 TensorRT，而不是讓 TensorRT 直接從 CUDA 分配，這將非常有用。

TensorRT 的依賴項(xiàng)（ cuDNN和cuBLAS ）會(huì)占用大量設(shè)備內(nèi)存。 TensorRT 允許您通過(guò)構(gòu)建器配置中的TacticSources （ C++ 、 Python ）屬性控制這些庫(kù)是否用于推理。請(qǐng)注意，某些層實(shí)現(xiàn)需要這些庫(kù)，因此當(dāng)它們被排除時(shí)，網(wǎng)絡(luò)可能無(wú)法編譯。

CUDA 基礎(chǔ)設(shè)施和 TensorRT 的設(shè)備代碼也會(huì)消耗設(shè)備內(nèi)存。內(nèi)存量因平臺(tái)、設(shè)備和 TensorRT 版本而異。您可以使用cudaGetMemInfo來(lái)確定正在使用的設(shè)備內(nèi)存總量。

注意：由于 CUDA 無(wú)法控制統(tǒng)一內(nèi)存設(shè)備上的內(nèi)存，因此cudaGetMemInfo返回的結(jié)果在這些平臺(tái)上可能不準(zhǔn)確。

5.4. Threading

一般來(lái)說(shuō)，TensorRT 對(duì)象不是線程安全的。預(yù)期的運(yùn)行時(shí)并發(fā)模型是不同的線程將在不同的執(zhí)行上下文上操作。上下文包含執(zhí)行期間的網(wǎng)絡(luò)狀態(tài)（激活值等），因此在不同線程中同時(shí)使用上下文會(huì)導(dǎo)致未定義的行為。 為了支持這個(gè)模型，以下操作是線程安全的：

運(yùn)行時(shí)或引擎上的非修改操作。

從 TensorRT 運(yùn)行時(shí)反序列化引擎。

從引擎創(chuàng)建執(zhí)行上下文。

注冊(cè)和注銷(xiāo)插件。

在不同線程中使用多個(gè)構(gòu)建器沒(méi)有線程安全問(wèn)題；但是，構(gòu)建器使用時(shí)序來(lái)確定所提供參數(shù)的最快內(nèi)核，并且使用具有相同 GPU 的多個(gè)構(gòu)建器將擾亂時(shí)序和 TensorRT 構(gòu)建最佳引擎的能力。使用多線程使用不同的 GPU 構(gòu)建不存在此類(lèi)問(wèn)題。

5.5. Determinism

TensorRT builder 使用時(shí)間來(lái)找到最快的內(nèi)核來(lái)實(shí)現(xiàn)給定的運(yùn)算符。時(shí)序內(nèi)核會(huì)受到噪聲的影響——GPU 上運(yùn)行的其他工作、GPU 時(shí)鐘速度的波動(dòng)等。時(shí)序噪聲意味著在構(gòu)建器的連續(xù)運(yùn)行中，可能不會(huì)選擇相同的實(shí)現(xiàn)。

AlgorithmSelector （ C++ ， Python ）接口允許您強(qiáng)制構(gòu)建器為給定層選擇特定實(shí)現(xiàn)。您可以使用它來(lái)確保構(gòu)建器從運(yùn)行到運(yùn)行選擇相同的內(nèi)核。有關(guān)更多信息，請(qǐng)參閱算法選擇和可重現(xiàn)構(gòu)建部分。

一旦構(gòu)建了引擎，它就是確定性的：在相同的運(yùn)行時(shí)環(huán)境中提供相同的輸入將產(chǎn)生相同的輸出。

關(guān)于作者

Ken He 是 NVIDIA 企業(yè)級(jí)開(kāi)發(fā)者社區(qū)經(jīng)理 & 高級(jí)講師，擁有多年的 GPU 和人工智能開(kāi)發(fā)經(jīng)驗(yàn)。自 2017 年加入 NVIDIA 開(kāi)發(fā)者社區(qū)以來(lái)，完成過(guò)上百場(chǎng)培訓(xùn)，幫助上萬(wàn)個(gè)開(kāi)發(fā)者了解人工智能和 GPU 編程開(kāi)發(fā)。在計(jì)算機(jī)視覺(jué)，高性能計(jì)算領(lǐng)域完成過(guò)多個(gè)獨(dú)立項(xiàng)目。并且，在機(jī)器人和無(wú)人機(jī)領(lǐng)域，有過(guò)豐富的研發(fā)經(jīng)驗(yàn)。對(duì)于圖像識(shí)別，目標(biāo)的檢測(cè)與跟蹤完成過(guò)多種解決方案。曾經(jīng)參與 GPU 版氣象模式GRAPES，是其主要研發(fā)者。

審核編輯：郭婷