用tensorrt的python api序列化生成的engine可以用于c++部署吗

用tensorrt的python api序列化生成的engine可以用于c++部署吗

• 以下回答由chatgpt基于相关博客总结生成:

  可以将通过使用TensorRT Python API序列化生成的Engine文件用于C++部署。 需要注意以下问题： 1.在C++中需要使用C++ API来进行反序列化和执行推理，具体可以参考TensorRT C++ API的文档。 2.需要注意在C++中使用的数据类型和数据格式，需要与Python中保持一致。 3.在C++中需要手动分配内存并绑定输入输出，具体方式可以参考以下示例代码：

  //创建logger：日志记录器
  auto logger = make_shared<nvinfer1::ILogger>();
  
  //读取Engine文件并反序列化
  ifstream engine_file("sample.engine", ios::binary);
  if (!engine_file.good())
  {
      throw runtime_error("文件读取失败");
  }
  ostringstream buffer;
  buffer << engine_file.rdbuf();
  string serialized_engine = buffer.str();
  unique_ptr<nvinfer1::IRuntime> runtime{ nvinfer1::createInferRuntime(*logger) };
  unique_ptr<nvinfer1::ICudaEngine> engine{ runtime->deserializeCudaEngine(serialized_engine.data(), serialized_engine.size(), nullptr) };
  
  // 分配主机和设备buffers
  vector<void*> host_buffers(engine->getNbBindings());
  vector<void*> device_buffers(engine->getNbBindings());
  vector<int64_t> binding_sizes(engine->getNbBindings());
  for (int32_t i = 0; i < engine->getNbBindings(); i++)
  {
      auto dims = engine->getBindingDimensions(i);
      int32_t volume = accumulate(begin(dims), end(dims), 1, multiplies<int32_t>());
      binding_sizes[i] = volume * sizeof(float);
      cudaMalloc(&device_buffers[i], binding_sizes[i]);
      host_buffers[i] = malloc(binding_sizes[i]);
      if (engine->bindingIsInput(i))
      {
          //如果是输入参数,则将数据从主机内存拷贝到设备内存
          cudaMemcpy(device_buffers[i], input_data, binding_sizes[i], cudaMemcpyHostToDevice);
      }
  }
  
  //异步执行推理
  unique_ptr<nvinfer1::IExecutionContext> context{ engine->createExecutionContext() };
  context->enqueueV2(device_buffers.data(), cudaStream_t{ 0 }, nullptr);
  for (int32_t i = 0; i < engine->getNbBindings(); i++)
  {
      if (!engine->bindingIsInput(i))
      {
          //如果是输出参数,则将数据从设备内存拷贝到主机内存
          cudaMemcpy(host_buffers[i], device_buffers[i], binding_sizes[i], cudaMemcpyDeviceToHost);
      }
  }