torch_tensorrt.runtime¶
函数¶
- torch_tensorrt.runtime.set_multi_device_safe_mode(mode: bool) _MultiDeviceSafeModeContextManager[源代码]¶
将运行时（仅限 Python 且为默认值）设置为多设备安全模式
如果系统上有多个设备可用，为了确保运行时安全执行，需要进行其他设备检查。这些检查会影响性能，因此是可选的。用于抑制有关在多设备上下文中不安全运行的警告。
- 参数
mode (bool) – 启用 (
True) 或禁用 (False) 多设备检查
示例
with torch_tensorrt.runtime.set_multi_device_safe_mode(True): results = trt_compiled_module(*inputs)
类¶
- class torch_tensorrt.runtime.TorchTensorRTModule(**kwargs: Dict[str, Any])[源代码]¶
TorchTensorRTModule 是一个 PyTorch 模块，它包含任意 TensorRT 引擎。
此模块由 Torch-TensorRT 运行时支持，并且与 FX/Python 部署（只需将
import torch_tensorrt作为应用程序的一部分）以及 TorchScript/C++ 部署完全兼容，因为 TorchTensorRTModule 可以传递给torch.jit.trace然后保存。forward 函数很简单 forward(*args: torch.Tensor) -> Tuple[torch.Tensor]，其中内部实现为
return Tuple(torch.ops.tensorrt.execute_engine(list(inputs), self.engine))> 注意：TorchTensorRTModule 仅支持使用显式批次构建的引擎
- 变量
name (str) – 模块名称（用于更轻松地调试）
engine (torch.classes.tensorrt.Engine) – Torch-TensorRT TensorRT 引擎实例，管理 [去] 序列化、设备配置、分析
input_binding_names (List[str]) – 输入 TensorRT 引擎绑定名称列表，其顺序与传递给 TRT 模块的顺序相同
output_binding_names (List[str]) – 输出 TensorRT 引擎绑定名称列表，其顺序应与返回的顺序相同
- __init__(**kwargs: Dict[str, Any]) Any¶
初始化内部模块状态，由 nn.Module 和 ScriptModule 共享。
- forward(**kwargs: Dict[str, Any]) Any¶
定义每次调用时执行的计算。
应由所有子类覆盖。
注意
虽然前向传递的配方需要在此函数中定义，但应该之后调用
Module实例，而不是此函数，因为前者负责运行注册的钩子，而后者则静默地忽略它们。
- get_extra_state(**kwargs: Dict[str, Any]) Any¶
返回要包含在模块的 state_dict 中的任何额外状态。
如果您需要存储额外状态，请为此实现相应的
set_extra_state()。此函数在构建模块的 state_dict() 时被调用。请注意，额外状态应该是可腌制的，以确保 state_dict 的序列化工作正常。我们只为序列化张量提供向后兼容性保证；如果其他对象的序列化腌制形式发生变化，则可能会破坏向后兼容性。
- 返回值
要存储在模块的 state_dict 中的任何额外状态
- 返回类型
object
- set_extra_state(**kwargs: Dict[str, Any]) Any¶
设置加载的 state_dict 中包含的额外状态。
此函数从
load_state_dict()调用，以处理 state_dict 中找到的任何额外状态。如果需要在模块的 state_dict 中存储额外状态，请实现此函数和相应的get_extra_state()。- 参数
state (dict) – 来自 state_dict 的额外状态
- class torch_tensorrt.runtime.PythonTorchTensorRTModule(serialized_engine: ~typing.Optional[bytes] = None, input_binding_names: ~typing.Optional[~typing.List[str]] = None, output_binding_names: ~typing.Optional[~typing.List[str]] = None, *, name: str = '', settings: ~torch_tensorrt.dynamo._settings.CompilationSettings = CompilationSettings(enabled_precisions={<dtype.f32: 7>}, debug=False, workspace_size=0, min_block_size=5, torch_executed_ops=set(), pass_through_build_failures=False, max_aux_streams=None, version_compatible=False, optimization_level=None, use_python_runtime=False, truncate_double=False, use_fast_partitioner=True, enable_experimental_decompositions=False, device=Device(type=DeviceType.GPU, gpu_id=0), require_full_compilation=False, disable_tf32=False, assume_dynamic_shape_support=False, sparse_weights=False, make_refittable=False, engine_capability=<EngineCapability.STANDARD: 1>, num_avg_timing_iters=1, dla_sram_size=1048576, dla_local_dram_size=1073741824, dla_global_dram_size=536870912, dryrun=False, hardware_compatible=False, timing_cache_path='/tmp/torch_tensorrt_engine_cache/timing_cache.bin', lazy_engine_init=False, cache_built_engines=False, reuse_cached_engines=False, use_explicit_typing=False, use_fp32_acc=False), weight_name_map: ~typing.Any = None)[source]¶
PythonTorchTensorRTModule 是一个包含任意 TensorRT 引擎的 PyTorch 模块。
此模块由 Torch-TensorRT 运行时支持，仅与 FX/Dynamo/Python 部署兼容。此模块无法通过 torch.jit.trace 序列化为 torchscript 以进行 C++ 部署。
- __init__(serialized_engine: ~typing.Optional[bytes] = None, input_binding_names: ~typing.Optional[~typing.List[str]] = None, output_binding_names: ~typing.Optional[~typing.List[str]] = None, *, name: str = '', settings: ~torch_tensorrt.dynamo._settings.CompilationSettings = CompilationSettings(enabled_precisions={<dtype.f32: 7>}, debug=False, workspace_size=0, min_block_size=5, torch_executed_ops=set(), pass_through_build_failures=False, max_aux_streams=None, version_compatible=False, optimization_level=None, use_python_runtime=False, truncate_double=False, use_fast_partitioner=True, enable_experimental_decompositions=False, device=Device(type=DeviceType.GPU, gpu_id=0), require_full_compilation=False, disable_tf32=False, assume_dynamic_shape_support=False, sparse_weights=False, make_refittable=False, engine_capability=<EngineCapability.STANDARD: 1>, num_avg_timing_iters=1, dla_sram_size=1048576, dla_local_dram_size=1073741824, dla_global_dram_size=536870912, dryrun=False, hardware_compatible=False, timing_cache_path='/tmp/torch_tensorrt_engine_cache/timing_cache.bin', lazy_engine_init=False, cache_built_engines=False, reuse_cached_engines=False, use_explicit_typing=False, use_fp32_acc=False), weight_name_map: ~typing.Any = None)[source]¶
获取名称、目标设备、序列化的 TensorRT 引擎以及绑定名称/顺序，并在其周围构造一个 PyTorch
torch.nn.Module。使用 TensorRT Python API 运行引擎- 参数
serialized_engine (bytes) – 以字节数组形式表示的序列化 TensorRT 引擎
input_binding_names (List[str]) – 输入 TensorRT 引擎绑定名称列表，其顺序与传递给 TRT 模块的顺序相同
output_binding_names (List[str]) – 输出 TensorRT 引擎绑定名称列表，其顺序应与返回的顺序相同
- 关键字参数
name (str) – 模块名称
settings (CompilationSettings) – 用于编译引擎的设置，如果未传递对象，则假定引擎使用默认编译设置构建
示例
trt_module = PythonTorchTensorRTModule( engine_str, input_binding_names=["x"], output_binding_names=["output"], name="my_module", settings=CompilationSettings(device=torch.cuda.current_device) )
- enable_profiling(profiler: IProfiler = None) None[source]¶
启用 TensorRT 分析。调用此函数后，TensorRT 将在每次前向运行的标准输出中报告每层花费的时间。
