对于C/C++程序，编译主要分为三个步骤：
*.i文件*.s的汇编文件；通常情况下，对函数库的链接是放在编译时期（compile time）完成的。所有相关的对象文件 （object file）与牵涉到的函数库（library）被链接合成一个可执行文件 （executable file）。 静态链接和动态链接两者最大的区别就在于链接的时机不一样，静态链接是在形成可执行程序前，而动态链接的进行则是在程序执行时。下面来详细介绍这两种链接方式。
DALI库是一个用于数据预处理以及数据读取的第三方加速库。最近因为调用这个库的时候会出问题，所以重新编译了一下，这里记录下编译的过程。
首先，DALI库的官方地址，官方文档地址，因为我这里使用的是旧版本的DALI库——0.11版本，其编译文档可以在这里找到，一般来说，直接按照流程编译是没有问题的，但是对于没有Root权限情况下的编译，就有点麻烦了。下面介绍一下：
首先，下面的编译条件要满足，尤其是对于GCC版本，我编译的使用使用了GCC4.9.2。
值得注意的是，对于上面的编译条件，有一个通常不满足，那就是FFmpeg库，按照官方文档里面的指示，可以从这里下载FFmpeg安装包，我这里将安装包放到了/data2/zhaodali/software下，然后执行下面操作：
本篇文章主要参考了TensorRT(1)-介绍-使用-安装，并加上了一些自己的理解。
TensorRT是一个高性能的深度学习推理（Inference）优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT 之前称为GIE。
由上图可以很清楚的看出，训练（training）和 推理（inference）的区别：
最近稍微学习了一下TensorRT，这里参考这很多博客，主要参考了如何使用TensorRT对训练好的PyTorch模型进行加速?。然后加上自己的一些注释。
现在训练深度学习模型主流的框架有TensorFlow，Pytorch，mxnet，caffe等。这个贴子只涉及Pytorch，对于TensorFlow的话，可以参考TensorRT部署深度学习模型，这个帖子是C++如何部署TensorRT。其实原理都是一样的，对于TensorFlow模型，需要把pb模型转化为uff模型；对于Pytorch模型，需要把pth模型转化为onnx模型；对于caffe模型，则不需要转化，因为tensorRT是可以直接读取caffe模型的；mxnet模型也是需要转化为onnx的。
对于TensorRT的安装，这里就不赘述了，之前我的博客有介绍过。
Python环境下Pytorch模型转化为TensorRT有两种路径，一种是先把Pytorch的pt模型转化为onnx，然后再转化为TensorRT；另一种是直接把pytorch的pt模型转成TensorRT。
最近踩了一下从onnx导出到TensorRT的坑，在这记录一下。
从官方地址下载合适版本的TensorRT，例如我这里下载的就是TensorRT-7.0.0.11.CentOS-7.6.x86_64-gnu.cuda-10.2.cudnn7.6.tar.gz。
1 | # 解压缩 |
详细的导出流程其实看官方文档就可以了。这里我主要是说明的是我感兴趣的几个参数以及我自己的一些疑惑。
export_params：该参数默认为True，也就是会导出训练好的权重；若设置为False，则导出的是没有训练过的模型。
verbose：默认为False，若设置为True，则会打印导出onnx时的一些日志，便于分析网络结构。
opset_version：对于1.5.0的Pytorch，默认仍然是9，也就是对应当前onnx的最稳定的版本。
以下大部分内容来源于Pytorch源码编译简明指南，并加上自己踩得一些坑。
编译首先是要获取源代码。
从官方获取源代码是最好的方式，从Pytorch的github官网可以下载最新的代码。
记住，从官方克隆最新的代码的时候要加入recursive这个参数，因为Pytorch本身需要很多的第三方库参与编译：