Инференс и оптимизация 47 просмотров

TensorRT

TensorRT

TensorRT — SDK от NVIDIA для оптимизации инференса нейронных сетей на GPU. Применяет fusion слоёв, квантизацию и оптимизацию ядер для ускорения в 2-6× по сравнению с PyTorch.

Содержание
  1. Что такое TensorRT
  2. Как работает
  3. Основные оптимизации
  4. TensorRT-LLM
  5. Сравнение

Что такое TensorRT

TensorRT — библиотека NVIDIA для оптимизации и запуска нейросетей на GPU с максимальной производительностью. Принимает модель из PyTorch/ONNX и создаёт оптимизированный «движок» (engine), заточенный под конкретный GPU.

Как работает

PyTorch модель (.pt)
      ↓
  Экспорт в ONNX
      ↓
  TensorRT Optimizer
  ├─ Layer Fusion (объединение слоёв)
  ├─ Kernel Auto-Tuning (выбор лучших CUDA-ядер)
  ├─ Precision Calibration (FP16/INT8/FP8)
  └─ Memory Optimization
      ↓
  TensorRT Engine (.plan)
      ↓
  TensorRT Runtime → Inference

Основные оптимизации

Оптимизация Что делает Эффект
Layer Fusion Conv+BN+ReLU → одно ядро Меньше kernel launches
Precision FP32 → FP16/INT8/FP8 2-4× ускорение
Kernel Tuning Профилирует варианты Лучший для GPU

TensorRT-LLM

Для LLM — TensorRT-LLM: In-flight batching, Paged KV Cache, Tensor Parallelism, Quantization (INT4 AWQ, FP8), Speculative Decoding.

Сравнение

Метрика PyTorch TensorRT vLLM
Latency 1× 0.3-0.5× 0.4-0.6×
Throughput 1× 2-5× 2-4×
Гибкость Максимум Ограничен Средняя

Когда использовать: продакшн-инференс с фиксированной моделью и высокими требованиями к latency.

Связанные термины

Используется в
Квантизация

Попробуйте на практике

Арендуйте GPU и запустите ML-модели в Intelion Cloud

Начать работу