感谢阅读
- 相关概念
- docker准备
- 下载一个自己电脑cuda匹配的docker镜像
- 拉取以及启动镜像
- 安装cuda
- TensorRT部署教程
相关概念
TensorRT是可以在NVIDIA各种GPU硬件平台下运行的一个模型推理框架，支持C++和Python推理。即我们利用Pytorch，Tensorflow或者其它框架训练好的模型，可以转化为TensorRT的格式，然后利用TensorRT推理引擎去运行该模型，从而提升这个模型在NVIDIA-GPU上运行的速度。
cudnn是NVIDIA推出的用于自家GPU进行神经网络训练和推理的加速库，用户可通过cudnn的API搭建神经网络并进行推理，cudnn则会将神经网络的计算进行优化，再通过cuda调用gpu进行运算，从而实现神经网络的加速（当然你也可以直接使用cuda搭建神经网络模型，而不通过cudnn，但运算效率会低很多）
tensorrt其实跟cudnn有点类似，也是NVIDIA推出的针对自家GPU进行模型推理的加速库，只不过它不支持训练，只支持模型推理。相比于cudnn，tensorrt在执行模型推理时可以做到更快。（训练需要精确，推理不需要那么精确）
docker准备
下载一个自己电脑cuda匹配的docker镜像
比如我下载的是
nvidia/cuda:12.3.0-base-ubuntu22.04
怎么查自己电脑的cuda？
nvcc --version
拉取以及启动镜像
拉取镜像
docker pull nvidia/cuda:12.3.0-base-ubuntu22.04
启动
docker run -itd --gpus device=0 --name=tensorrt_test nvidia/cuda:12.3.0-base-ubuntu22.04
进入容器
docker exec -it tensorrt_test bash
安装cuda
先准备环境
apt-get install build-essential
apt-get install cmake
apt-get install ubuntu-drivers-common
ubuntu-drivers devices
然后根据提示的版本
apt-get install nvidia-driver-版本号
nvidia-smi
如果出现类似这样的结果就成功了
TensorRT部署教程
点我跳转
