0、前言

在玩转智能硬件（一）和（二）中，我们安装好Jetson Nano系统并配置好基本环境，接下来开始搭建深度学习开发环境。

1、TensorRT安装

1.1、TensorRT介绍

NVIDIA®TensorRT™的核心是一个C++库，可促进在NVIDIA图形处理单元(GPU)上进行高性能推理。 它旨在与训练框架(如TensorFlow、Caffe、PyTorch、MXNet等)以互补的方式工作。它特别侧重于在GPU上快速高效地运行已训练的网络，以生成结果(这一过程在不同的地方被称为评分、检测、回归或推理)

一些训练框架(如TensorFlow)集成了TensorRT，因此可以用它来加速框架内的推理。 或者，TensorRT可以用作用户应用程序中的库。 它包括用于从Caffe、ONNX或TensorFlow导入现有模型的解析器，以及用于以编程方式构建模型的C++和PythonAPI。

TensorRT通过组合层和优化内核选择来优化网络，以提高延迟、吞吐量、能效和内存消耗。 如果应用程序指定，它将额外优化网络以更低的精度运行，从而进一步提高性能并降低内存需求。下图显示了定义为部分高性能推理优化器和部分运行时引擎的TensorRT。 它可以吸收在这些流行框架上训练的神经网络，优化神经网络计算，生成轻量级运行时引擎(这是您唯一需要部署到生产环境中的东西)，然后它将最大化这些GPU平台上的吞吐量、延迟和性能。

1.2、TensorRT安装

• 基于JetPack

如果按照玩转智能硬件（一）Jetson Nano安装篇使用官方提供JetPack 4.4镜像安装操作系统后，系统已经安装好TensorRT 7.1.3环境，使用下面指令即可查看

dpkg -l | grep TensorRT

• 自行编译安装

根据个人实际情况参考下面两个文档

• 安装PyCuda

PyCUDA允许您从Python访问NVIDIA的CUDA并行计算API。

配置cuda环境变量

export 

安装

pip install 'pycuda>=2019.1.1'

2、PyTorch安装

Nvidia提供了编译好的PyTorch安装包，根据自己的需要选择合适的安装包。

wget https://nvidia.box.com/shared/static/ncgzus5o23uck9i5oth2n8n06k340l6k.whl -O torch-1.4.0-cp36-cp36m-linux_aarch64.whl
sudo apt-get install python3-pip libopenblas-base libopenmpi-dev 
pip3 install Cython
pip3 install numpy torch-1.4.0-cp36-cp36m-linux_aarch64.whl

• 安装torchvision

$ sudo apt-get install libjpeg-dev zlib1g-dev
$ git clone --branch v1.2 https://github.com/pytorch/vision torchvision   # see below for version of torchvision to download
$ cd torchvision
$ sudo python setup.py install    # use python3 if installing for Python 3.6
$ cd ../  # attempting to load torchvision from build dir will result in import error
$ pip install 'pillow<7' # always needed for Python 2.7, not needed torchvision v0.5.0+ with Python 3.6

注意：torchvision版本需要与PyTorch版本对应

• 验证安装

import 

参考文档：