Google Colab 上安装 TensorRT

题图摄于上海

NVIDIA TensorRT是一个高性能深度学习推理平台。它包括深度学习推理优化器和运行时，可为深度学习推理应用程序提供低延迟和高吞吐量。推理时，基于TensorRT的应用程序比仅CPU平台的执行速度快40倍。使用TensorRT，您可以优化所有主流框架中训练出的神经网络模型。

简单说，TensorRT是用来优化推理过程，而不是训练过程，这也符合大多数应用场景，因为最终部署到产品中，所做的工作就是推理。别看TensorRT包含了Tensor关键词，实际上它适用于TensorFlow、caffe、PyTorch等所有主流深度学习框架。

在硬件上的需求就是Nvidia的显卡，准确说是支持CUDA的显卡。在前面一篇文章《 谷歌GPU云计算平台，免费又好用 》中提到过Google Colab的硬件为NVIDIA Tesla T4，支持TensorRT。下面就说说如何在Google Colab上安装TensorRT。

• 挂载谷歌云端硬盘：

from google.colab import drive

drive.mount('/content/gdrive')

• 切换当前目录为Google云端硬盘的项目文件夹：

import os

project_path = '/content/gdrive/My Drive/nvidia'  #change dir to your project folder
os.chdir(project_path)  #change dir

• 确定CUDA，Ubuntu，TensorFlow的版本：

!nvcc --version
!cat /etc/issue
import tensorflow as tf
print(tf.__version__)

输出如下：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130
Ubuntu 18.04.2 LTS \n \l

1.13.1

可以看到CUDA的版本为10.0，Ubuntu系统版本为18.04，Tensorflow的版本为1.13.1，这些信息有用，在下载TensorRT时，需要下载对应的软件包。

• 下载TensorRT。

由于nvidia官网下载需要注册、登录等诸多步骤，而且Google云端硬盘的上传速度比较慢，所以我放了一份拷贝到dropbox中，从dropbox下载要快得多：

!wget -O nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.2.2-rc-20190227_1-1_amd64.deb https://www.dropbox.com/s/45pz13r4e8ip4bl/nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.2.2-rc-20190227_1-1_amd64.deb?dl=0

如果直接安装tensorrt，会出现如下错误：

The following packages have unmet dependencies:
 tensorrt : Depends: libnvinfer5 (= 5.1.2-1+cuda10.0) but 5.1.2-1+cuda10.1 is to be installed
            Depends: libnvinfer-dev (= 5.1.2-1+cuda10.0) but 5.1.2-1+cuda10.1 is to be installed
E: Unable to correct problems, you have held broken packages.

按照网上提供的方法，先安装libnvinfer5=5.1.2-1+cuda10.0和libnvinfer-dev=5.1.2-1+cuda10.0，然后再安装tensorrt：

!dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.2.2-rc-20190227_1-1_amd64.deb
!apt-key add /var/nv-tensorrt-repo-cuda10.0-trt5.1.2.2-rc-20190227/7fa2af80.pub
!apt-get update
!apt-get install -y --no-install-recommends libnvinfer5=5.1.2-1+cuda10.0
!apt-get install -y --no-install-recommends libnvinfer-dev=5.1.2-1+cuda10.0
!apt-get install tensorrt
!apt-get install python3-libnvinfer-dev
!apt-get install uff-converter-tf

• 验证是否安装

!dpkg -l | grep TensorRT

输出如下：

ii  graphsurgeon-tf                                             5.1.2-1+cuda10.0                                  amd64        GraphSurgeon for TensorRT package
ii  libnvinfer-dev                                              5.1.2-1+cuda10.0                                  amd64        TensorRT development libraries and headers
ii  libnvinfer-samples                                          5.1.2-1+cuda10.0                                  all          TensorRT samples and documentation
ii  libnvinfer5                                                 5.1.2-1+cuda10.0                                  amd64        TensorRT runtime libraries
ii  python3-libnvinfer                                          5.1.2-1+cuda10.0                                  amd64        Python 3 bindings for TensorRT
ii  python3-libnvinfer-dev                                      5.1.2-1+cuda10.0                                  amd64        Python 3 development package for TensorRT
ii  tensorrt                                                    5.1.2.2-1+cuda10.0                                amd64        Meta package of TensorRT
ii  uff-converter-tf                                            5.1.2-1+cuda10.0                                  amd64        UFF converter for TensorRT package

至此，TensorRT在Google Colab上安装完毕。

为什么我会写下这篇文章呢？前段时间购入了Jetson Nano，虽然有GPU加持，但毕竟属于边缘计算设备，性能有限。如果能够使用TensorRT加速，自然可以扩大深度学习的应用范围。然而在Jetson Nano上折腾，挺麻烦，还是先在成熟的平台上把TensorRT研究熟，然后再应用到Jetson Nano上面。

希望文章对你也有帮助。

你还可以看：