zdaiot

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。

简介

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

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。

安装TensorRT

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
2
3
4
5
6
7
8
9
10
11
12
13

# 解压缩
# tar -xzvf TensorRT-7.0.0.11.CentOS-7.6.x86_64-gnu.cuda-10.2.cudnn7.6.tar.gz -C /指定你要的路径
# 比如
tar -xzvf TensorRT-7.0.0.11.CentOS-7.6.x86_64-gnu.cuda-10.2.cudnn7.6.tar.gz -C /data2/zhaodali/software

# 添加环境变量 
vim ~/.bashrc
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data2/zhaodali/software/TensorRT-7.0.0.11/lib
source ~/.bashrc

# 安装Python支持，选择对应python版本的whl进行安装
cd /data2/zhaodali/software/TensorRT-7.0.0.11/python
pip install tensorrt-7.0.0.11-cp37-none-linux_x86_64.whl

安装ONNX_tensorrt

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。

主要参数

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。

获取源代码

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：

下面记录一下caffe2的一些基本概念。

Caffe2框架是一个静态的图框架。同大多静态图框架一样，它的应用程序一般会干两件事情，先是建立模型（即建图，主要使用Python等较友好的语言脚本或像caffe那样直接使用prototxt文件），然后则是迭代执行模型。

核心概念

Operator

可以看成是一个函数，输入一些数据，输出一些数据，如 layers、数值操作等。感觉与TensorFlow中的op是一个概念。

这里主要介绍两篇论文。

Polarimetric SAR Image Classification Using Deep Convolutional Neural Networks

基本信息

• 文章名称：Polarimetric SAR Image Classification Using Deep Convolutional Neural Networks
• 年份：2016
• 期刊：IEEE Geoscience & Remote Sensing Letters
• 标签：PolSAR
• 数据：PolSAR图像数据

创新点

基本信息

• 年份：2019
• 期刊：arxiv
• 标签：PolSAR, Complex
• 数据：PolSAR图像数据

创新点

1. 使用了复数域的卷积操作
2. 为了利用少量标记样本实现精确定位和快速分类，提出了一种将Cs-CNN权重直接迁移到C-Dilated CNN中
3. 设计了一种由C-Dilated CNN和复数域encoder-decoder网络组成的a pixel-refining parallel mapping network in the complex domain(CRPM-Net)来提取上下文语义特征，并对错误分类的训练像素进行纠正以获得更高的准确率。

创新点来源

这篇论文，讲道理我个人不是很喜欢，因为实验感觉也不是很充分，理论上感觉创新性也没那么高，只是提供了一个强有力的baseline，连作者本人也说大家对这篇文章的关注度过高了。不过，既然能引起大家广泛关注，还是有吸引人的地方的，那么对这篇论文进行介绍。

创新点

1. 提出了一个feature map groups之间的attention机制，即Split-Attention block。通过像ResNet那样堆叠这些Split-Attention blocks，可以得到一个新的ResNet变体——ResNeSt。该模型保留了ResNet的整体结构，能够被应用到下游任务，且没有引入额外的计算量。
2. ResNeSt模型比其他ResNet变体表现更好。如ResNeSt-50在图像分类任务上比最好的ResNet变体性能提高了1%。这种分类性能上的提升也带动了下游任务精度的提升。

创新点来源

虽然图像分类技术方面已经取得了巨大的进步，但是延伸出来的其他应用如目标检测、图像分割仍然使用ResNet及其变体作为backbone，因为这些结构简单且模块化。