【IT168 资讯】TensorFlow新版本发布还不到一个月的时间，这个互联网上最受欢迎的机器学习项目却取得了众多进展，刚刚TensorFlow宣布，他们将与TensorRT公司完全整合。

　　TensorRT是一个优化深度学习模型的库，用于在生产环境中的GPU上创建运行时部署。TensorFlow可以利用TensorRTs FP16和INT8 optimization的众多优势，特别是TensorRT在自动选择最有能力的特定平台的内核时，会最大化吞吐量和最小化延迟。

　　开发人员能够通过集成的工作流来提高速度，TensorFlow团队对其进行测试时发现，而使用NVIDIA Volta Tensor Cores的TensorFlow- tensorrt集成与只运行TensorFlow相比， ResNet-50 performed 8x 快了近7毫秒。

　　TensorRT

　　TensorRT是如何工作的呢?TensorRT是一个来自NVIDIA的c++库，有助于提高NVIDIA GPU的高性能推理。TensorRT优化网络定义、合并张量和层、转换权重，选择有效的中间数据格式，并从基于层参数和测量性能的大型内核目录中选择。

　　TensorRT还包含了一些从box中导入的方法，帮助开发人员快速对TensorRT深度学习模型进行优化和运行。其中有一个优化工具，它可以根据图形优化和层融合确定一个特定模型的最快实现。

　　还有一个运行时，开发人员可以利用它在推理上下文中执行TensorRT的网络。此外，它还设计了允许开发人员利用Pascal或Volta GPU的高速降低精度功能作为可选优化。

　　在实践中，TensorRT优化兼容子图，让TensorFlow执行剩余的。开发人员能够利用广泛的TensorFlow特征集快速开发模型，并得到最优性能的TensorRT模型。

　　之前，在集成两者的过程中，有时会遇到不支持的TensorFlow层，必须手动导入。现在，所有开发人员都需要做的是使用TensorRT优化TensorFlow子图，并使用TensorRT优化节点替换每个子图。

　　在TensorFlow 1.7中，在调用TensorRT以执行TensorRT优化节点之前，TensorFlow将为所有支持的区域执行图形。假设您的模型有3个部分(A、B和C)，B部分是通过TensorRT优化的，然后用一个节点替换。当TensorFlow在这个模型上运行推理时，TensorFlow执行A，然后调用TensorRT来执行B，然后TensorFlow执行C。

　　另外，新添加的T TensorFlow API optimizes TensorRT 可以使用冻结的TF图，将优化应用到子图中，并在应用的所有更改和优化后将其发送回TensorFlow。

　　如何获得TensorRT?

　　TensorRT是TensorFlow 1.7版本的一部分，可以使用标准的pip安装过程：

　　pip install tensorflow-GPU r1.7