TensorRT模型输出错误问题的排查与解决
问题背景
在使用TensorRT 8.6.1将BERT-base-chinese模型从ONNX格式转换为TensorRT引擎时,虽然转换过程没有报错,但推理结果却与原始PyTorch模型和ONNX模型的输出不一致。这个问题在Windows和Linux环境下都存在,且在不同TensorRT版本(8.5.1.7和8.6.1)中表现相同。
问题分析
模型转换过程
-
首先使用optimum-cli工具将HuggingFace的bert-base-chinese模型导出为ONNX格式,该ONNX模型在推理时能给出与原始PyTorch模型完全一致的预测结果和概率分布。
-
然后使用TensorRT的Python API将ONNX模型转换为TensorRT引擎。转换过程中设置了动态输入批次,并为三个输入(input_ids、attention_mask和token_type_ids)分别指定了形状范围。
-
转换过程耗时约1分钟,没有出现任何错误日志,表面上看转换是成功的。
推理过程异常
在推理阶段,无论输入什么内容,TensorRT引擎总是给出错误的预测结果。值得注意的是:
- ONNX模型在相同输入下能给出正确结果
- 使用trtexec命令行工具转换的TensorRT引擎也表现出相同问题
- 尝试使用FP32精度转换后问题依旧存在
根本原因
经过深入排查,发现问题出在TensorRT引擎的输入绑定顺序上。在PyTorch和ONNX模型中,输入的顺序是:
- input_ids
- token_type_ids
- attention_mask
而在TensorRT引擎中,输入的顺序却变成了:
- input_ids
- attention_mask
- token_type_ids
这种输入绑定顺序的不一致导致了模型接收到的输入数据被错误地分配给了不同的输入节点,从而产生了错误的输出结果。
解决方案
要解决这个问题,只需在TensorRT推理时调整输入绑定的顺序,使其与TensorRT引擎期望的顺序一致:
# 错误的绑定顺序(与ONNX一致但TensorRT不匹配)
# bindings = [int(d_input_ids), int(d_token_type_ids), int(d_attention_mask), int(d_output)]
# 正确的绑定顺序(匹配TensorRT引擎期望的顺序)
bindings = [int(d_input_ids), int(d_attention_mask), int(d_token_type_ids), int(d_output)]
经验总结
-
输入顺序一致性:在模型转换和部署过程中,确保各阶段输入参数的顺序一致至关重要。不同框架对输入参数的排序可能有不同约定。
-
调试技巧:当遇到模型输出异常时,可以:
- 首先验证ONNX模型的正确性
- 然后检查TensorRT引擎的输入输出绑定
- 最后确认数据在各阶段的传递是否正确
-
文档参考:在使用TensorRT部署模型时,应仔细查阅相关文档,了解引擎对输入参数的顺序要求。
-
验证方法:可以通过输出中间结果或使用小批量已知数据来验证模型各阶段的正确性。
这个问题虽然看似简单,但确实容易忽视。它提醒我们在模型部署过程中,不仅要关注模型结构和参数的正确性,还要注意这些看似"琐碎"但至关重要的实现细节。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









