3. TensorRT安装与配置：环境要求、安装方式（Deb/RPM/Tar）、验证安装、常见安装问题
好，咱们直接进入正题。TensorRT的安装，说难不难，说简单也容易踩坑。我这些年帮团队搭过不下二十次环境，从Ubuntu 16.04一路折腾到22.04，踩过的坑能写个小本子。今天我把这些经验掰开揉碎了讲给你听。
3.1 环境要求：别让硬件拖后腿
先说说硬件。TensorRT这东西，说白了就是给NVIDIA显卡量身定做的加速库。你拿AMD显卡或者纯CPU跑，那肯定不行。
最低要求：
- NVIDIA GPU，计算能力(Compute Capability) 5.0以上。我建议至少6.1以上，也就是GTX 1060那个级别。
- 显存嘛，至少4GB。你要是跑BERT这种大模型，8GB起步比较稳。
软件依赖：
- CUDA Toolkit：版本必须匹配。TensorRT 8.x对应CUDA 11.x，TensorRT 10.x对应CUDA 12.x。别搞混了。
- cuDNN：这个也讲究版本对应。我见过有人CUDA装对了，cuDNN版本不对，编译死活过不去。
- 操作系统：Ubuntu 20.04/22.04最稳。CentOS 7/8也行，但坑多一点。
3.2 安装方式：三种姿势任你选
TensorRT官方给了三种安装方式：Deb包、RPM包、Tar包。我一个个说。
3.2.1 Deb包安装（Ubuntu用户首选）
这种方式最简单，适合新手。我记得第一次给团队搭环境时，就用这个方式，十分钟搞定。
# 1. 下载TensorRT的Deb包（以8.6.1为例）
wget https://developer.nvidia.com/compute/machine-learning/tensorrt/secure/8.6.1/tars/TensorRT-8.6.1.6.Ubuntu-20.04.x86_64-gnu.cuda-11.8.tar.gz
# 2. 安装
dpkg -i nv-tensorrt-local-repo-ubuntu2004-8.6.1-cuda-11.8_1.0-1_amd64.deb
# 3. 更新源
apt-get update
# 4. 安装核心库
apt-get install tensorrt
# 5. 安装Python绑定（如果你用Python）
apt-get install python3-libnvinfer-dev
嗯，这里要注意：Deb包安装后，默认路径在 /usr/lib/x86_64-linux-gnu/。你如果自己编译程序，记得把库路径加进去。
3.2.2 RPM包安装（CentOS/RHEL用户）
流程跟Deb差不多，就是包管理器换成yum或dnf。
# 安装RPM仓库
rpm -ivh nv-tensorrt-local-repo-rhel8-8.6.1-cuda-11.8-1.0-1.x86_64.rpm
# 更新缓存
yum clean all
yum install tensorrt
说实话，RPM方式我用的不多。CentOS用户现在越来越少了，大家基本都转Ubuntu了。
3.2.3 Tar包安装（最灵活，我推荐）
这种方式我最喜欢。为什么？因为你可以把TensorRT放在任意目录，想用哪个版本就用哪个版本，互不干扰。
# 解压
tar -xzvf TensorRT-8.6.1.6.Linux.x86_64-gnu.cuda-11.8.tar.gz
# 设置环境变量（加到~/.bashrc里）
export TRT_ROOT=/path/to/TensorRT-8.6.1.6
export LD_LIBRARY_PATH=$TRT_ROOT/lib:$LD_LIBRARY_PATH
export PATH=$TRT_ROOT/bin:$PATH
# 安装Python包
cd $TRT_ROOT/python
pip install tensorrt-8.6.1-cp38-none-linux_x86_64.whl
3.3 验证安装：确认一切正常
装完了别急着跑。先验证一下，免得后面出问题还得回头排查。
3.3.1 命令行验证
# 查看TensorRT版本
trtexec --version
# 输出示例：
# TensorRT version: 8.6.1
# Built with CUDA: 11.8
# Built with cuDNN: 8.9.2
如果提示 command not found，说明环境变量没配好。回去检查 PATH 吧。
3.3.2 Python验证
import tensorrt as trt
# 创建logger
logger = trt.Logger(trt.Logger.WARNING)
# 创建builder
builder = trt.Builder(logger)
# 打印版本
print(f"TensorRT version: {trt.__version__}")
# 检查GPU是否可用
print(f"GPU支持: {builder.platform_has_fast_fp16}")
如果 import tensorrt 报错，大概率是Python包没装对，或者CUDA版本不匹配。
3.3.3 跑个简单模型试试
我习惯用trtexec跑一个简单的ONNX模型，验证整个链路通不通。
# 下载一个测试模型（比如resnet50）
wget https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v2-7.onnx
# 用trtexec转换并推理
trtexec --onnx=resnet50-v2-7.onnx --fp16 --workspace=1024
如果看到 PASSED 或者推理时间正常输出，恭喜你，环境搭好了。
3.4 常见安装问题：我踩过的坑
这部分我多说几句。毕竟安装环境这事，十次有八次要出幺蛾子。
3.4.1 CUDA版本不匹配
现象： 编译时报错 cuda_runtime.h: No such file 或者 libcudart.so: undefined symbol。
原因： TensorRT和CUDA版本对不上。比如TensorRT 8.6要求CUDA 11.8，你装了CUDA 12.0就不行。
解决办法： 去NVIDIA官网查兼容性矩阵。我一般直接装LTS版本的CUDA，比如11.8或12.4，稳得很。
3.4.2 cuDNN路径问题
现象： 运行时提示 libcudnn.so.8: cannot open shared object file。
原因： cuDNN没装，或者路径没加到 LD_LIBRARY_PATH。
解决办法： 下载cuDNN的Tar包，解压后把 lib64 目录加到环境变量里。
export LD_LIBRARY_PATH=/path/to/cudnn/lib64:$LD_LIBRARY_PATH
3.4.3 Python包安装失败
现象： pip install tensorrt-xxx.whl 报错 ERROR: tensorrt-xxx.whl is not a supported wheel on this platform。
原因： Python版本不对。比如你用的是Python 3.10，但whl包是给Python 3.8编译的。
解决办法： 下载对应Python版本的whl包。或者用 python3 -m pip install 指定正确的Python解释器。
3.4.4 权限问题
现象： 运行trtexec时提示 Permission denied。
原因： 文件没有执行权限。
解决办法： chmod +x trtexec 搞定。
LD_LIBRARY_PATH，折腾了整整一个下午。最后发现就是少了一行export。所以，环境变量一定要配全，配完记得 source ~/.bashrc 或者重启终端。
3.5 小结
安装TensorRT，说白了就是三步：选对版本、装好依赖、验证通过。Deb包适合新手，Tar包适合老手。我个人强烈推荐Tar包方式，灵活、可控、好切换。
下一章，咱们开始讲TensorRT的核心概念——网络定义、Builder、Engine这些。到时候你会明白，安装只是开胃菜，真正的硬菜在后面。