1，插件支持-转化TensorRT模型时不支持的算子

我们在做模型结构设计时，有时候自己会设计一些layer来满足任务需求，但是这些layer在使用Tensorrt优化时，TensorRT可能并不支持，如ROI Align，这时候就需要通过Plugin的形式自己去实现，如上图所示的custom layer。实现过程包括如下两个步骤：

首先需要重载一个IPlugin的基类，生成自己的Plugin的实现，告诉GPU或TensorRT需要做什么操作，要构建的Plugin是什么样子，其实就是类似于开发一个应用软件的插件，需要在上面实现什么功能。

其次要将插件替换网络中自己实现的layer。

 现在tensorRT支持的层有：

• Activation: ReLU, tanh and sigmoid

• Concatenation : Link together multiple tensors across the channel dimension.

• Convolution: 3D，2D

• Deconvolution

• Fully-connected: with or without bias

• ElementWise: sum, product or max of two tensors

• Pooling: max and average

• Padding

• Flatten

• LRN: cross-channel only

• SoftMax: cross-channel only

• RNN: RNN, GRU, and LSTM

• Scale: Affine transformation and/or exponentiation by constant values

• Shuffle: Reshuffling of tensors , reshape or transpose data

• Squeeze: Removes dimensions of size 1 from the shape of a tensor

• Unary: Supported operations are exp, log, sqrt, recip, abs and neg

• Plugin: integrate custom layer implementations that TensorRT does not natively support.

基本上比较经典的层比如，卷积，反卷积，全连接，RNN，softmax等，在tensorRT中都是有对应的实现方式的，tensorRT是可以直接解析的。

但是由于现在深度学习技术发展日新月异，各种不同结构的自定义层（比如：STN）层出不穷，所以tensorRT是不可能全部支持当前存在的所有层的。那对于这些自定义的层该怎么办？

tensorRT中有一个 Plugin 层，这个层提供了 API 可以由用户自己定义tensorRT不支持的层。 如下图：

 这就解决了适应不同用户的自定义层的需求。

build engine：创建解析器、工作空间、数据类型，序列化，释放

不同的设备引擎不通用，只能在同一个设备使用。例如：在服务器优化引擎，放到nano设备上，不行

pluginfoctory：如果网络层并不是直接支持的，自定义网络层

plugin：输入输出，初始化

2、实用工具Netron：

Netron是神经网络，深度学习和机器学习模型的可视化工具（viewer）。

Netron 支持目前大多数主流深度学习框架的模型，如下所示：

• ONNX（.onnx，.pb）

• Keras（.h5，.keras）

• CoreML（.mlmodel）

• TensorFlow Lite（.tflite）

• Netron对Caffe（.caffemodel）

• Caffe2（predict_net.pb）

• MXNet（.model，-symbol.json）

• TensorFlow.js（model.json，.pb）

• TensorFlow（.pb，.meta）

Yolov5l可视化网络结构图：