TensorRT 和 TensorFlow 2

Posted 2023-02-16

【中文标题】TensorRT 和 TensorFlow 2

【英文标题】：TensorRT and Tensorflow 2

【发布时间】：2019-07-19 17:47:13

【问题描述】：

我正在尝试使用 TensorRT 加速 yolov3 TF2 的推理。 我在tensorflow 2中使用TrtGraphConverter函数。

我的代码基本上是这样的：

from tensorflow.python.compiler.tensorrt import trt_convert as trt

tf.keras.backend.set_learning_phase(0)
converter = trt.TrtGraphConverter(
    input_saved_model_dir="./tmp/yolosaved/",
    precision_mode="FP16",
    is_dynamic_op=True)
converter.convert()


saved_model_dir_trt = "./tmp/yolov3.trt"
converter.save(saved_model_dir_trt)

这会产生以下错误：

Traceback (most recent call last):
  File "/home/pierre/Programs/anaconda3/envs/Deep2/lib/python3.6/site-packages/tensorflow/python/framework/importer.py", line 427, in import_graph_def
    graph._c_graph, serialized, options)  # pylint: disable=protected-access
tensorflow.python.framework.errors_impl.InvalidArgumentError: Input 1 of node StatefulPartitionedCall was passed float from conv2d/kernel:0 incompatible with expected resource.

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "/home/pierre/Documents/GitHub/yolov3-tf2/tensorrt.py", line 23, in <module>
    converter.save(saved_model_dir_trt)
  File "/home/pierre/Programs/anaconda3/envs/Deep2/lib/python3.6/site-packages/tensorflow/python/compiler/tensorrt/trt_convert.py", line 822, in save
    super(TrtGraphConverter, self).save(output_saved_model_dir)
  File "/home/pierre/Programs/anaconda3/envs/Deep2/lib/python3.6/site-packages/tensorflow/python/compiler/tensorrt/trt_convert.py", line 432, in save
    importer.import_graph_def(self._converted_graph_def, name="")
  File "/home/pierre/Programs/anaconda3/envs/Deep2/lib/python3.6/site-packages/tensorflow/python/util/deprecation.py", line 507, in new_func
    return func(*args, **kwargs)
  File "/home/pierre/Programs/anaconda3/envs/Deep2/lib/python3.6/site-packages/tensorflow/python/framework/importer.py", line 431, in import_graph_def
    raise ValueError(str(e))
ValueError: Input 1 of node StatefulPartitionedCall was passed float from conv2d/kernel:0 incompatible with expected resource.

这是否意味着我的某些节点无法转换？在这种情况下，为什么我的代码在 .save 步骤中会出错？

【问题讨论】：

我找到了一个 GitHub issue，你说它适用于你的夜间版本的 TF。您能否将软件包的确切版本和使其工作所需的其他步骤（如果有）作为答案发布？这对我很有帮助，因为我遇到了同样的问题，并且可能对从 Google 来到这里的其他人有帮助。

试试precision_mode="FP32"

【参考方案1】：

我最终用以下代码解决了这个问题。我也从 tf 2.0.-beta0 切换到 tf-nightly-gpu-2.0-preview

params = trt.DEFAULT_TRT_CONVERSION_PARAMS._replace(
    precision_mode='FP16',
    is_dynamic_op=True)
    
converter = trt.TrtGraphConverterV2(
    input_saved_model_dir=saved_model_dir,
    conversion_params=params)
converter.convert()
saved_model_dir_trt = "/tmp/model.trt"
converter.save(saved_model_dir_trt)

感谢您的帮助

【讨论】：

谢谢！您能否使用您使用的 TensorFlow 版本更新答案，因为在 this issue 中您说您使用了 2.0.0-beta0 并切换到 tf-nightly-gpu-2.0-preview 有助于解决此问题。

使用的是什么 TensortRT 版本？

这个转换器和你的转换器有什么区别？从 tensorflow.contrib.tensorrt 作为 trt trt_graph = trt.create_inference_graph( input_graph_def = freeze_graph_def, outputs = output_node_name, max_batch_size=batch_size, max_workspace_size_bytes=workspace_size,precision_mode=precision, minimum_segment_size=3)

完成转换需要多长时间？

【参考方案2】：

当您使用 TensorRT 时，请记住您的模型架构中可能存在不受支持的层。有TensorRT support matrix 供您参考。 YOLO 包含许多未实现的自定义层，例如“yolo 层”。

所以，如果你想将 YOLO 转换为 TensorRT 优化模型，你需要从替代方式中进行选择。

试试TF-TRT，它会优化并执行兼容的子图，让 TensorFlow 执行剩余的图。虽然您仍然可以使用 TensorFlow 广泛而灵活的功能集，但 TensorRT 将解析模型并尽可能将优化应用于图形的各个部分。 使用插件 API 实现您的 custom layers，例如 this 示例。

【讨论】：

我不明白你的意思。那么，在这两种情况下，TF-TRT 和 TensorRT 两种方法都将优化应用于子图，对吧？如果是这样，两种方法有什么区别？

@DeeeepNet 使用 TensorRT 转换整个模型意味着它会尝试转换所有层/操作。这意味着如果 TensorRT 不支持该层/操作，它将失败。您可以为那些实现自定义层以使其工作。或者，使用 TF-TRT，优化器只转换与 TensorRT 兼容的层，并使用 Tensorflow 运行其他层。

【参考方案3】：

可能有点远，但您使用的是哪个 gpu？我知道 precision_mode="FP16" 仅在某些架构中受支持，例如 Pascal（tx2 系列）和 Turing（~2080 系列）。使用 fp16 从 TF2 移植到 trt 取得了不错的效果。

【参考方案4】：

有点晚了，但我现在正在使用基于 Keras 的 YoloV4 执行此操作。我已设法将其转换为 TRT，但您如何使用转换后的模型从中推断？我用过：

saved_model_loaded = tf.saved_model.load(input_saved_model, tags=[tag_constants.SERVING])
signature_keys = list(saved_model_loaded.signatures.keys())
print(signature_keys)

infer = saved_model_loaded.signatures['serving_default']
print(infer.structured_outputs)

根据 NVIDIA 的 colab，但它不适用于 infer(X)。