TensorRT使用自定义Plugin注意

1. plugin中的enque的inputs、outpus解释

    int RefineDetectorLayerPlugin::enqueue(int batchSize, const void* const* inputs, void** outputs, void* workspace, cudaStream_t stream);

inputs和outputs是一个数组,数组的内存储的是每一个输入或输出层的NCHW信息。
如果refinedet层,inputs有8个输入,则inputs是一个float[8]的类型。
其中的每一个元素是一个float指针,指向的是NCHW组织方式的数据。
所以,如果使用batchSize,则每一个batch的指针为inputs[layer] + batch * c * h * w。

2. PluginCreator在创建plugin时,必须指定plugin的namespace,即plugin的接口getPluginNamespace必须返回非空值,否则将会出错。

### 创建和使用 TensorRT 自定义插件 #### 描述自定义插件的需求 为了使模型中的特定功能能够在 TensorRT 中高效运行,有时需要开发自定义插件。这涉及到在 PyTorch 或其他框架中定义该功能的行为,并确保其能够被正确转换为 ONNX 格式以便 TensorRT 解析[^3]。 #### 实现自定义插件 当准备实现一个自定义插件时,开发者需关注几个方面: - **描述插件类型及其输入输出**:由于最终目标是从 PyTorch 导出至 ONNX 文件再由 TensorRT 加载执行,所以在 PyTorch 层面就要明确定义想要导出的功能特性、接受的数据形式以及任何必要的参数设置。 - **处理ONNX解析器兼容性**:为了让 TensorRT 能识别并应用此自定义操作符,在 ONNX 文件内的表示方式必须清晰无误;这意味着可能还需要调整或扩展 ONNX 的 schema 来支持新的运算逻辑。 - **创建 Plugin Creator 类**:这是指构建一个派生于 `IPluginCreator` 接口的新类实例,用于指导 TensorRT 构建具体的插件对象。此类应提供足够的信息给 TensorRT 以完成后续的任务,比如初始化所需资源或者设定默认行为模式等[^2]。 - **继承 IPluginV2DynamicExt 并重写方法**:实际的计算逻辑应当封装在一个实现了 `IPluginV2DynamicExt` 接口的对象里。这里不仅包含了前向传播算法本身,还涉及到了动态形状的支持以及其他优化措施。 #### 序列化与反序列化机制 考虑到性能因素,TensorRT 可能会在不同阶段保存已配置好的网络结构到磁盘上作为缓存文件。对于那些包含有自定义组件的情况来说,则意味着这些额外模块的状态也需要同步记录下来。因此,除了正常的业务流程外,还需特别注意设计良好的序列化/反序列化进程来管理这类特殊节点的信息交换过程。 #### 注册插件 一旦完成了上述工作之后就可以考虑将新建立起来的插件加入到系统的全局列表当中去了。具体做法是通过获取当前环境下的插件注册表单句柄(`getPluginRegistry`)并向其中添加相应的 creator 对象实例[^5]。 ```cpp auto pluginCreator1 = std::make_unique<FpsamplePluginCreator>(); getPluginRegistry()->registerCreator(*pluginCreator1.get(), ""); ``` 以上就是关于如何开发和使用 TensorRT 自定义插件的大致介绍。需要注意的是,虽然官方文档提供了大量有用资料帮助理解整个过程,但在实践中仍可能会遇到各种挑战,建议保持耐心逐步解决问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

space01

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值