直接从 PyTorch 使用 Torch-TensorRT¶

您现在将能够直接从 PyTorch API 访问 TensorRT。使用此功能的过程与在 Python 中使用 Torch-TensorRT中描述的编译工作流程非常相似。

首先将torch_tensorrt加载到您的应用程序中。

import torch
import torch_tensorrt

然后，给定一个 TorchScript 模块，您可以使用torch._C._jit_to_backend("tensorrt", ...) API 使用 TensorRT 编译它。

import torchvision.models as models

model = models.mobilenet_v2(pretrained=True)
script_model = torch.jit.script(model)

与 Torch-TensorRT 中的compile API（假设您尝试编译模块的forward 函数或将指定函数转换为 TensorRT 引擎的convert_method_to_trt_engine）不同，后端 API 将接收一个字典，该字典将要编译的函数名称映射到 Compilation Spec 对象，这些对象包装了您提供给compile的相同类型的字典。有关编译规范字典的更多信息，请查看 Torch-TensorRT TensorRTCompileSpec API 的文档。

spec = {
    "forward": torch_tensorrt.ts.TensorRTCompileSpec(
        **{
            "inputs": [torch_tensorrt.Input([1, 3, 300, 300])],
            "enabled_precisions": {torch.float, torch.half},
            "refit": False,
            "debug": False,
            "device": {
                "device_type": torch_tensorrt.DeviceType.GPU,
                "gpu_id": 0,
                "dla_core": 0,
                "allow_gpu_fallback": True,
            },
            "capability": torch_tensorrt.EngineCapability.default,
            "num_avg_timing_iters": 1,
        }
    )
}

现在要使用 Torch-TensorRT 进行编译，请将目标模块对象和规范字典提供给torch._C._jit_to_backend("tensorrt", ...)

trt_model = torch._C._jit_to_backend("tensorrt", script_model, spec)

要运行，请显式调用要运行的方法的函数（与在标准 PyTorch 中只需调用模块本身的方式相反）。

input = torch.randn((1, 3, 300, 300)).to("cuda").to(torch.half)
print(trt_model.forward(input))

直接从 PyTorch 使用 Torch-TensorRT¶

文档

教程

资源