NVIDIA TensorRT支持矩阵中的流控制结构层部分

　　NVIDIA TensorRT 支持循环结构，这对于循环网络很有用。 TensorRT 循环支持扫描输入张量、张量的循环定义以及“扫描输出”和“最后一个值”输出。

　　10.1. Defining A Loop

　　循环由循环边界层（loop boundary layers）定义。

　　ITripLimitLayer指定循环迭代的次数。

　　IIteratorLayer使循环能够迭代张量。

　　IRecurrenceLayer指定一个循环定义。

　　ILoopOutputLayer指定循环的输出。

　　每个边界层都继承自类ILoopBoundaryLayer ，该类有一个方法getLoop（）用于获取其关联的ILoop 。 ILoop对象标识循环。具有相同ILoop的所有循环边界层都属于该循环。

　　下图描绘了循环的结构和边界处的数据流。循环不变张量可以直接在循环内部使用，例如 FooLayer 所示。

     一个循环可以有多个IIteratorLayer 、 IRecurrenceLayer和ILoopOutputLayer ，并且最多可以有两个ITripLimitLayer ，如后面所述。没有ILoopOutputLayer的循环没有输出，并由 TensorRT 优化。

　　NVIDIA TensorRT 支持矩阵中的流控制结构层部分描述了可用于循环内部的 TensorRT 层。

　　内部层可以自由使用在循环内部或外部定义的张量。内部可以包含其他循环（请参阅嵌套循环）和其他条件构造（请参阅条件嵌套）。

　　要定义循环，首先，使用INetworkDefinition ：：addLoop方法创建一个ILoop对象。然后添加边界层和内部层。本节的其余部分描述了边界层的特征，使用loop表示INetworkDefinition ：：addLoop返回的ILoop* 。

　　ITripLimitLayer支持计数循环和 while 循环。

　　loop -》addTripLimit（ t ，TripLimit：：kCOUNT）创建一个ITripLimitLayer ，其输入t是指定循环迭代次数的 0D INT32 张量。

　　loop -》addTripLimit（ t ，TripLimit：：kWHILE）创建一个ITripLimitLayer ，其输入t是一个 0D Bool 张量，用于指定是否应该进行迭代。通常t要么是IRecurrenceLayer的输出，要么是基于所述输出的计算。

　　一个循环最多可以有一种限制。

　　IIteratorLayer支持在任何轴上向前或向后迭代。

　　loop -》addIterator（ t ）添加一个IIteratorLayer ，它在张量t的轴 0 上进行迭代。例如，如果输入是矩阵：

　　2 3 5

　　4 6 8

　　第一次迭代的一维张量{2， 3， 5}和第二次迭代的{4， 6， 8} 。超出张量范围的迭代是无效的。

　　loop -》addIterator（ t ， axis ）类似，但该层在给定的轴上迭代。例如，如果 axis=1 并且输入是矩阵，则每次迭代都会传递矩阵的一列。

　　loop -》addIterator（ t ， axis，reverse ）类似，但如果reverse =true ，则该层以相反的顺序产生其输出。

　　ILoopOutputLayer支持三种形式的循环输出：

　　loop -》addLoopOutput（ t， LoopOutput：：kLAST_VALUE）输出t的最后一个值，其中t必须是IRecurrenceLayer的输出。

　　loop-》 addLoopOutput（ t ，LoopOutput：：kCONCATENATE， axis ）将每次迭代的输入串联输出到t 。例如，如果输入是一维张量，第一次迭代的值为{ a，b，c} ，第二次迭代的值为{d，e，f} ， axis =0 ，则输出为矩阵：

　　a b c

　　d e f

　　如果axis =1 ，则输出为：

　　a d

　　b e

　　c f

　　loop-》 addLoopOutput（ t ，LoopOutput：：kREVERSE， axis ）类似，但颠倒了顺序。 kCONCATENATE和kREVERSE形式都需要第二个输入，这是一个 0D INT32 形状张量，用于指定新输出维度的长度。当长度大于迭代次数时，额外的元素包含任意值。第二个输入，例如u ，应使用ILoopOutputLayer：：setInput（1， u ）设置。

　　最后，还有IRecurrenceLayer 。它的第一个输入指定初始输出值，第二个输入指定下一个输出值。第一个输入必须来自循环外；第二个输入通常来自循环内部。例如，这个 C++ 片段的 TensorRT 模拟：

　　for （int32_t i = j; 。..; i += k） 。..

　　可以通过这些调用创建，其中j和k是ITensor* 。

　　ILoop* loop = n.addLoop（）;

　　IRecurrenceLayer* iRec = loop-》addRecurrence（j）;

　　ITensor* i = iRec-》getOutput（0）;

　　ITensor* iNext = addElementWise（*i， *k，

　　ElementWiseOperation：：kADD）-》getOutput（0）;

　　iRec-》setInput（1， *iNext）;

　　第二个输入是TensorRT允许后沿的唯一情况。如果删除了这些输入，则剩余的网络必须是非循环的。

　　10.2. Formal Semantics

　　TensorRT 具有应用语义，这意味着除了引擎输入和输出之外没有可见的副作用。因为没有副作用，命令式语言中关于循环的直觉并不总是有效。本节定义了 TensorRT 循环结构的形式语义。

　　形式语义基于张量的惰性序列（lazy sequences）。循环的每次迭代对应于序列中的一个元素。循环内张量X的序列表示为〈 X 0， X 1， X 2， 。.. 〉 。序列的元素被懒惰地评估，意思是根据需要。

　　IIteratorLayer（X）的输出是〈 X［0］， X［1］， X［2］， 。.. 〉其中X［i］表示在IIteratorLayer指定的轴上的下标。

　　IRecurrenceLayer（X，Y）的输出是〈 X， Y0， Y1， Y2， 。.. 〉 。 的输入和输出取决于LoopOutput的类型。

　　kLAST_VALUE ：输入是单个张量X ，对于 n-trip 循环，输出是X n 。

　　kCONCATENATE ：第一个输入是张量X，第二个输入是标量形状张量Y。结果是X0， X1， X2， 。.. Xn-1与后填充（如有必要）连接到Y指定的长度。如果Y 《 n则为运行时错误。 Y是构建时间常数。注意与IIteratorLayer的反比关系。 IIteratorLayer将张量映射到一系列子张量；带有kCONCATENATE的ILoopOutputLayer将一系列子张量映射到一个张量。

　　kREVERSE ：类似于kCONCATENATE ，但输出方向相反。

　　ILoopOutputLayer的输出定义中的n值由循环的ITripLimitLayer确定：

　　对于计数循环，它是迭代计数，表示ITripLimitLayer的输入。

　　对于 while 循环，它是最小的 n 使得$X_n$为假，其中X是ITripLimitLayer的输入张量的序列。

　　非循环层的输出是层功能的顺序应用。例如，对于一个二输入非循环层F（X，Y） = 〈 f（X 0 ， Y 0 ）， f（X 1 ， Y 1 ）， f（X 2 ， Y 2 ）。.. 〉 。如果一个张量来自循环之外，即是循环不变的，那么它的序列是通过复制张量来创建的。

　　10.3. Nested Loops

　　TensorRT 从数据流中推断出循环的嵌套。例如，如果循环 B 使用在循环 A 中定义的值，则 B 被认为嵌套在 A 中。

　　TensorRT 拒绝循环没有干净嵌套的网络，例如如果循环 A 使用循环 B 内部定义的值，反之亦然。

　　10.4. Limitations

　　引用多个动态维度的循环可能会占用意外的内存量。 在一个循环中，内存的分配就像所有动态维度都取任何这些维度的最大值一样。例如，如果一个循环引用两个维度为［4，x，y］和［6，y］的张量，则这些张量的内存分配就像它们的维度是［4，max（x，y），max（x ，y）］和［6，max（x，y）］ 。

　　带有kLAST_VALUE的LoopOutputLayer的输入必须是IRecurrenceLayer的输出。 循环 API 仅支持 FP32 和 FP16 精度。

　　10.5. Replacing IRNNv2Layer With Loops

　　IRNNv2Layer在 TensorRT 7.2.1 中已弃用，并将在 TensorRT 9.0 中删除。使用循环 API 合成循环子网络。例如，请参阅sampleCharRNN方法SampleCharRNNLoop：：addLSTMCell 。循环 API 让您可以表达一般的循环网络，而不是局限于IRNNLayer和IRNNv2Layer中的预制单元。

　　关于作者

　　Ken He 是 NVIDIA 企业级开发者社区经理 & 高级讲师，拥有多年的 GPU 和人工智能开发经验。自 2017 年加入 NVIDIA 开发者社区以来，完成过上百场培训，帮助上万个开发者了解人工智能和 GPU 编程开发。在计算机视觉，高性能计算领域完成过多个独立项目。并且，在机器人和无人机领域，有过丰富的研发经验。对于图像识别，目标的检测与跟踪完成过多种解决方案。曾经参与 GPU 版气象模式GRAPES，是其主要研发者。

　　审核编辑：郭婷