【环境搭建：onnx模型部署】onnxruntime-gpu安装与测试（python）(2)_onnxruntime gpu

ONNX模型部署环境创建

• 1. onnxruntime 安装
• 2. onnxruntime-gpu 安装
• • 2.1 方法一：onnxruntime-gpu依赖于本地主机上cuda和cudnn
    • 2.2 方法二：onnxruntime-gpu不依赖于本地主机上cuda和cudnn
    • • 2.2.1 举例：创建onnxruntime-gpu==1.14.1的conda环境
        • 2.2.2 举例：实例测试

1. onnxruntime 安装

onnx 模型在 CPU 上进行推理，在conda环境中直接使用pip安装即可

pip install onnxruntime

1
2

2. onnxruntime-gpu 安装

想要 onnx 模型在 GPU 上加速推理，需要安装 onnxruntime-gpu 。有两种思路：

• 依赖于 本地主机 上已安装的 cuda 和 cudnn 版本
• 不依赖于 本地主机 上已安装的 cuda 和 cudnn 版本

要注意：onnxruntime-gpu, cuda, cudnn三者的版本要对应，否则会报错 或 不能使用GPU推理。
onnxruntime-gpu, cuda, cudnn版本对应关系详见: 官网

2.1 方法一：onnxruntime-gpu依赖于本地主机上cuda和cudnn

• 查看已安装 cuda 和 cudnn 版本

# cuda version
cat /usr/local/cuda/version.txt

# cudnn version
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

1
2
3
4
5
6

• 根据 onnxruntime-gpu, cuda, cudnn 三者对应关系，安装相应的 onnxruntime-gpu 即可。

## cuda==10.2
## cudnn==8.0.3
## onnxruntime-gpu==1.5.0 or 1.6.0
pip install onnxruntime-gpu==1.6.0

1
2
3
4
5

2.2 方法二：onnxruntime-gpu不依赖于本地主机上cuda和cudnn

在 conda 环境中安装，不依赖于 本地主机 上已安装的 cuda 和 cudnn 版本，灵活方便。这里，先说一下已经测试通过的组合：

• python3.6, cudatoolkit10.2.89, cudnn7.6.5, onnxruntime-gpu1.4.0
• python3.8, cudatoolkit11.3.1, cudnn8.2.1, onnxruntime-gpu1.14.1

如果需要其他的版本， 可以根据 onnxruntime-gpu, cuda, cudnn 三者对应关系自行组合测试。

下面，从创建conda环境，到实现在GPU上加速onnx模型推理进行举例。

2.2.1 举例：创建onnxruntime-gpu==1.14.1的conda环境

## 创建conda环境
conda create -n torch python=3.8

## 激活conda环境
source activate torch
conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=11.3 -c pytorch -c conda-forge
conda install cudnn==8.2.1
pip install onnxruntime-gpu==1.14.1
## pip install ... (根据需求，安装其他的包)


1
2
3
4
5
6
7
8
9
10
11

2.2.2 举例：实例测试

• 打开终端，输入 watch -n 0.1 nvidia-smi, 实时查看gpu使用情况

• 代码测试，摘取API

  import numpy as np
  import torch
  import onnxruntime
  
  MODEL_FILE = '.model.onnx'
  DEVICE_NAME = 'cuda' if torch.cuda.is_available() else 'cpu'
  DEVICE_INDEX = 0
  DEVICE=f'{DEVICE\_NAME}:{DEVICE\_INDEX}'
  
  # A simple model to calculate addition of two tensors
  def model():
      class Model(torch.nn.Module):
          def \_\_init\_\_(self):
 **自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。**

**深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

**因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

![img](https://img-blog.csdnimg.cn/img_convert/f3adbbcb257b9d8cda797b1ad33d7500.png)

![img](https://img-blog.csdnimg.cn/img_convert/9c1af3fb69b3d7e77d9904ee49eb08bb.png)

![img](https://img-blog.csdnimg.cn/img_convert/6ab03dfa98f5cbc400f473936a2b8e74.png)

![img](https://img-blog.csdnimg.cn/img_convert/fd1276f5efbff7ab087ab25682eac359.png)

![img](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)

![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）**

习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）**

<img src="https://img-community.csdnimg.cn/images/fd6ebf0d450a4dbea7428752dc7ffd34.jpg" alt="img" style="zoom:50%;" />
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44