trt2022 / mst-plus-plus-tensorrt Goto Github PK

很感谢你们的分享~干货很多，有个小疑问想请教下：

• 这一句中“除此之外我们发现网络结构中存在大量的Transpose+Reshape结构，这些结构是可以通过TensorRT API在设计网络的时候被合并的” ，基于API的搭建方式我理解的是你们去掉了一些多余的reshape操作（等价实现reshape但是用了更少的trt-layer），不过基于parse的方式搭建完network之后（network中包含Transpose->Reshape），会被内部trt优化成Transpose+Reshape结构，就和你使用nsight sys展示的一样，这其实已经合并多余的reshape/transpose吧，这个和直接使用API的方式合并，性能有差别吗？
• 我理解的基于API和基于Parse的本质区别就是可以避免一些onnx的胶水、碎片算子，通过trt-plugin的方式修改onnx模型（将碎片算子合并为一个，比如layernorm）然后通过parse+plugin的方式转模型，应该和直接API+plugin的性能是一样的吧？

希望可以和大佬交流下！

@DataXujing Hi，请问是否尝试过使用TensorRT-API方式从量化训练导出的Q/DQ-onnx模型构建trt_int8 engine？
我尝试直接使用trtexec对Q/DQ-onnx进行转换，nsight分析发现推理过程transpose+reshape耗时占用高，想结合api的方式优化这部分性能，可否给一些建议？多谢～

你好，大神。请教一下，TensorRT 的 动态shape 推理相对静态shape，显存是不是一定会增加？如果是，有没有方法优化这个显存占用增加的现象。谢谢

BaiduDisk link is not available

请问，大佬知道 dynamic shape 下的 getWorkspaceSize 如何写吗？静态的很好判断，但目前个人自定义的算子卡在了这里，还望大佬指点！

Could you please share it again? Thanks!