torch_tensorrt.fx

函数

torch_tensorrt.fx.compile(module: Module, input, min_acc_module_size: int = 10, max_batch_size: int = 2048, max_workspace_size=33554432, explicit_batch_dimension=False, lower_precision=LowerPrecision.FP16, verbose_log=False, timing_cache_prefix='', save_timing_cache=False, cuda_graph_batch_size=- 1, dynamic_batch=True, is_aten=False, use_experimental_fx_rt=False, correctness_atol=0.1, correctness_rtol=0.1) → Module

接收原始模块、输入和降低设置，运行降低工作流程以将模块转换为降低后的模块，或称为 TRTModule。

参数

• module – 用于降低的原始模块。

• input – 模块的输入。

• max_batch_size – 最大批大小（必须 >= 1 才能设置，0 表示未设置）

• min_acc_module_size – 加速子模块的最小节点数

• max_workspace_size – 给定 TensorRT 的最大工作区大小。

• explicit_batch_dimension – 如果设置为 True，则在 TensorRT 中使用显式批处理维度，否则使用隐式批处理维度。

• lower_precision – 给定 TRTModule 的 lower_precision 配置。

• verbose_log – 如果设置为 True，则为 TensorRT 启用详细日志。

• timing_cache_prefix – fx2trt 使用的计时缓存文件的名称前缀。

• save_timing_cache – 如果设置为 True，则使用当前的计时缓存数据更新计时缓存。

• cuda_graph_batch_size – Cuda 图批大小，默认为 -1。

• dynamic_batch – 批处理维度 (dim=0) 是动态的。

• use_experimental_fx_rt – 使用下一代 TRTModule，它同时支持基于 Python 和 TorchScript 的执行（包括在 C++ 中）。

返回

由 TensorRT 降低的 torch.nn.Module。

类

class torch_tensorrt.fx.TRTModule(engine=None, input_names=None, output_names=None, cuda_graph_batch_size=- 1)

class torch_tensorrt.fx.InputTensorSpec(shape: Sequence[int], dtype: dtype, device: device = device(type='cpu'), shape_ranges: List[Tuple[Sequence[int], Sequence[int], Sequence[int]]] = [], has_batch_dim: bool = True)

此类包含输入张量的信息。

shape: 张量的形状。

dtype: 张量的数据类型。

device: 张量的设备。这仅用于生成给定模型的输入

以便运行形状传播。对于 TensorRT 引擎，输入必须位于 cuda 设备上。

shape_ranges: 如果需要动态形状（形状的维度为 -1），则此字段

必须提供（默认为空列表）。每个 shape_range 是三个元组的元组 ((min_input_shape), (optimized_input_shape), (max_input_shape))。每个 shape_range 用于填充 TensorRT 优化配置文件。例如，如果输入形状从 (1, 224) 变化到 (100, 224)，并且我们想要针对 (25, 224) 进行优化，因为它​​是最常见的输入形状，那么我们将 shape_ranges 设置为 ((1, 224), (25, 225), (100, 224))。

has_batch_dim: 形状是否包含批处理维度。如果引擎想要使用动态形状运行，则必须提供批处理维度。

如果引擎想要使用动态形状运行，则必须提供批处理维度。

class torch_tensorrt.fx.TRTInterpreter(module: GraphModule, input_specs: List[InputTensorSpec], explicit_batch_dimension: bool = False, explicit_precision: bool = False, logger_level=None)

class torch_tensorrt.fx.TRTInterpreterResult(engine, input_names, output_names, serialized_cache)