tensorrt动态batch推理注意事项

一、背景：使用pytorch进行训练得到pt模型， 然后使用torch.onnx把pt模型转化为onnx模型。然后再使用tensorrt自带的trtexec.exe文件把onnx模型转化为engine文件。

（1）在使用C++进行推理的时候发现一个batch的数据，值推理了里面的第一张，其他图片输出的结果都为0；

原因分析：这是因为在使用torch.onnx把pt文件转为onnx的时候，没有给他增加动态batch，导致默认的batch为1，所以在推理一个batch里面的多个数据时，只对第一个数据进行了加速推理操作，其他的数据就没进入推理，所以其他数据输出为0；

（2）解决方法：

1.首先pt模型转onnx模型的时候，在export加上 dynamic_axes 参数，这样在把onnx转为tensorrt的engine文件的时候，才能转化成功。

import torch.onnxmodel = torch.load("cls_model.pth")
model.eval()dummy_input = torch.randn(1, 3, 64, 64).to("cuda")
torch.onnx.export(model,dummy_input,"cls_model_dyn.onnx",export_params=True,input_names=["input"],output_names=["output"],verbose=True, # verbose=True 会打印出详细的转换过程dynamic_axes={'input':{0:"batch"}, "output":{0:"batch"}} # 设置动态的batch_size)

2.然后在使用trtexec.exe把onnx转成engine文件的话，给它设置动态范围大小minShapes、optShapes、maxShapes、（根据自己推理大小来更改，我的是64）

 .\trtexec.exe --onnx=cls_model_dyn.onnx --saveEngine=cls.engine --explicitBatch --minShapes=input:1x3x64x64 --optShapes=input:8x3x64x64 --maxShapes=input:8x3x64x64

这样子在使用C++推理的时候就可以推理一个batch的数据了。