tensorrt python绑定安装必须从nvidia官网下载匹配cuda和python版本的whl包，不可pip install tensorrt；import成功但builder失败需检查cuda上下文（如设cuda_visible_devices）；onnx解析失败多因opset超限，建议用opset=11并补全shape；引擎构建显存问题应正确使用config.set_memory_pool_limit而非旧api，且bindings顺序须与网络输入名严格一致。
TensorRT Python 绑定装不上，pip install tensorrt 报错找不到包
PyPI 上根本没有官方 tensorrt 包，NVIDIA 从不发布到公开索引。直接 pip install tensorrt 必然失败，这是最常卡住的第一步。
必须从 NVIDIA 官方渠道获取：登录 NVIDIA Developer Zone 下载对应 CUDA 版本和 Python 版本的 tar.gz 或 whl 文件（注意选带 cp38/cp39 等后缀的轮子）。
- 下载前确认
python --version和nvidia-smi显示的 CUDA 版本，三者必须对齐（比如 Python 3.8 + CUDA 11.8 + TensorRT 8.6.1） - 解压
.tar.gz后，pip install的是里面的tensorrt-*.whl，不是根目录下的setup.py - 若用 Conda，别混用
conda install—— 官方不提供 conda 包，强行搜会装上社区非官方版本，大概率 ABI 不兼容
import tensorrt as trt 成功但 trt.Builder 创建失败：CUDA 初始化报错
常见错误信息像 Cannot initialize CUDA without GPU support 或 cuInit failed: CUDA_ERROR_NO_DEVICE，说明 TensorRT 运行时没连上 GPU，不是代码写错了。
根本原因是：Python 进程启动时 CUDA 上下文未就绪，尤其在 Docker、Jupyter 或某些 IDE（如 VS Code 的远程 SSH）里容易发生。
立即学习“Python免费学习笔记（深入）”；
易和阳光购物商城原为伴江行购物商城，只是根据互联网的发展对网站程序进行改进！ 修改了50%以上的代码部分，暂时没有对数据库修改！ 易和阳光购物商城 v1.6功能简介 增加了会员卡功能 绑定了会员卡的会员可以使用会员卡及用户名双登陆 会员卡自带积分充值功能
- 确保运行前已执行
os.environ["CUDA_VISIBLE_DEVICES"] = "0"（或对应 ID），且该卡处于nvidia-smi可见状态 - 在 Jupyter 中，重启内核后首次 import 可能仍失败，加一句
torch.cuda.init()（如果装了 PyTorch）或手动调一次cuda.cuInit(0)（需pycuda）可绕过延迟初始化 - Docker 需加
--gpus all参数，且镜像基础必须含nvidia/cuda:11.8-runtime-ubuntu20.04类原生 CUDA 运行时，不能只装驱动
用 trt.OnnxParser 解析 ONNX 模型失败：节点不支持或 shape 推导中断
报错常为 While parsing node number N: ... no plugin registered 或 Failed to parse onnx file，本质是 ONNX 算子超出了当前 TensorRT 版本支持范围（尤其动态 shape、自定义 op、新版本 PyTorch 导出的 opset）。
不是模型本身有问题，而是解析器能力边界问题。TensorRT 对 ONNX 的支持永远滞后于 PyTorch/TensorFlow 导出能力。
- 先用
onnx.shape_inference.infer_shapes_path("model.onnx")预检查 shape 是否完整；缺失输入 shape 的模型几乎必失败 - 导出 ONNX 时强制指定
opset_version=11（TRT 8.x 最稳），避免用 14/15；禁用dynamic_axes，除非真需要动态 batch - 遇到不支持 op（如
GatherND,SoftmaxCrossEntropyLoss），要么改模型结构，要么用trt.NetworkDefinition.add_plugin_v2手动注册插件 —— 但插件开发成本高，通常不如换回 PyTorch+TorchScript
构建引擎慢、显存爆掉或推理结果全零：builder.max_workspace_size 和 config.set_memory_pool_limit 怎么设
builder.max_workspace_size 是旧 API（TRT 7.x），config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, ...) 是新 API（TRT 8.5+），二者不能混用。设错直接导致构建卡死或 OOM。
关键不是“越大越好”，而是匹配模型实际计算图中最大 kernel 所需临时内存 —— 这个值由网络结构决定，跟 batch size 强相关。
- 起步建议设为
2 * 1024**3（2GB），再根据builder.build_engine(network, config)返回是否为None逐步上调 - 显存爆掉时，优先降
batch_size或关掉config.set_flag(trt.BuilderFlag.FP16)（FP16 有时反而更吃显存） - 结果全零？大概率是输入 binding 没绑对：
context.execute_v2(bindings)里bindings列表顺序必须和network.get_input(i).name的顺序一致，且输出 binding 地址要提前np.empty(...)分配好内存
TensorRT Python 绑定真正难的从来不是语法，而是每个环节都依赖底层环境严丝合缝：CUDA 驱动版本、Python ABI、ONNX opset、GPU 架构代际（Ampere vs Volta）、甚至 Linux 内核模块加载顺序——漏掉任意一环，都会在某个看似无关的步骤突然崩掉。
