tensorrt介绍？

TensorRT 是一款高性能的深度学习推理优化器，可快速实现深度学习模型，最大程度提高推理性能和减少模型文件大小。

TensorRT 使用深度学习神经网络来解决计算机视觉和语音分析等复杂问题，并且可以在对精度没有太多影响的情况下，大幅减小模型文件的大小。

TensorRT 还支持多种高性能硬件平台，包括NVIDIA GPU，Intel CPU，ARM CPU 和 FPGA 等，可以实现不同的平台之间的灵活切换和模型重用。

另外，TensorRT 还支持用户自定义的推理策略，可以实现高精度推理，从而满足用户对推理性能的要求。

tensorrt是什么？

TensorRT是一个高性能深度学习推理引擎，它可以在 NVIDIA GPU 上优化并加速深度学习模型的推理过程。它可以在最短的时间内处理大量的数据，并且能够高效地支持模型优化和部署。TensorRT 的优化技术包括深度网络的剪裁，量化和二次优化等，这些技术都能够加速模型的运行速度，并降低资源消耗，从而提高了深度学习应用的性能表现。此外，TensorRT 还提供了 Python API 和 C ++ API，这使得它易于集成到现有的深度学习应用中。因此，TensorRT 在深度学习应用中具有重要的地位和作用。

cuda 和tensorrt关系？

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

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可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。

tensorrt对显卡的要求？

NVIDIA TensorRT是一种高性能神经网络推理(Inference)引擎，用于在生产环境中部署深度学习应用程序，应用有图像分类、分割和目标检测等，可提供最大的推理吞吐量和效率。

对于显卡为GTX 750和K1200的用户需要将CUDA升级到8.0。

tensorrt和cuda的关系？

TensorRT是英伟达针对自家平台做的加速包，只负责模型的推理（inference）过程，一般不用TensorRT来训练模型的，而是用于部署时加速模型运行速度。

CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。CUDA的主要作用是连接GPU 和 应用程序，方便用户通过 CUDA 的 API 调度 GPU 进行计算。

伟达，GPU的生产者和搬运工，自然就推出了针对自己GPU的加速工具TensorRT。一个深度学习模型，在没有优化的情况下，比如一个卷积层、一个偏置层和一个reload层，这三层是需要调用三次cuDNN对应的API，但实际上这三层的实现完全是可以合并到一起的，TensorRT会对一些可以合并网络进行合并。