pytorch upsample层到onnx，以及到tensorRT的转换（二）
之前的博客介绍了upsample层转换到tensorRT出错的解决方法，就是回退onnx版本到1.5.0。虽然暂时解决了问题，但无法使用高版本的pytorch和onnx，https://www.cnblogs.com/hypnus-ly/p/12932110.html
最近又上github，发现更简单的解决方法，就是修改下upsample层初始化时的参数就可以了。 突然发现之前的博客好low啊，还是需要多多学习，发现问题的根源，找到本质解决方法。
if self.training: x = F.interpolate(x, scale_factor=2, mode="nearest") else: # hack in order to generate a simpler onnx x = F.interpolate(x, size=[int(2 * x.shape[2]), int(2 * x.shape[3])], mode='nearest') # 如要转换tensorRT模型的话，需要使用 size 参数，静态的指定图片大小
upsample函数修改方式和上述代码一样
在使用upsample函数时，经常会先定义upsample module
m = nn.Upsample(scale_factor=2, mode="nearest")
然后在前向推理时，才动态的输入数据，此时没法预先设置 size 大小，解决方法：
在进行前向推理时，先获取输入的大小，再改变函数参数：
n,c,h,w = input.size() size = (h*2, w*2) m.scale_factor=None m.size = (h * 2, w * 2) output = m(input)
注意：scale_factor 参数 和 size 参数不能同时存在，所以要将 scale_factor 设置为 None
我的环境：
pytorch-1.5, onnx-1.7, tensorRT-7.0, cuda-10.0
参考链接：
https://github.com/onnx/onnx-tensorrt/issues/457
