### 验证 TensorRT 是否正确安装的方法 为了确认 TensorRT 已成功安装并可以正常运行，可以通过以下几种方式来进行验证。 #### 1. 使用 Python 脚本测试 TensorRT 的导入功能 如果通过 `pip` 或者其他方式安装了 TensorRT 的 Python 绑定，则可以直接尝试在 Python 中导入模块。以下是具体的代码示例： ```python import tensorrt as trt print(f"TensorRT version: {trt.__version__}") ``` 上述脚本会打印当前系统的 TensorRT 版本号[^1]。如果没有报错且能够显示版本号，则说明 TensorRT 的 Python API 安装无误。 --- #### 2. 运行官方提供的样本程序 (samples) NVIDIA 提供了一系列用于演示 TensorRT 功能的样例程序。这些样例通常位于 `/usr/src/tensorrt/samples/` 目录下（具体路径可能因操作系统而异）。执行以下命令以编译和运行其中一个简单的样例程序： ```bash cd /usr/src/tensorrt/samples/sample_mnist/ make ./sample_mnist ``` 如果程序能顺利运行并输出预期的结果，则表明 TensorRT 库已经正确配置[^2]。 --- #### 3. 检查环境变量设置 确保系统中的环境变量已正确定义。特别是对于基于 `.deb` 文件安装的情况，需检查以下几个关键变量是否存在： - **LD_LIBRARY_PATH**: 包含 TensorRT 库文件所在的目录。 - **PATH**: 添加 TensorRT 执行工具的相关路径。 可通过以下命令查看相关变量： ```bash echo $LD_LIBRARY_PATH echo $PATH ``` 如果发现缺少必要的路径定义，可以根据实际安装位置手动添加到用户的 shell 配置文件中（如 `.bashrc` 或 `.zshrc`）。 --- #### 4. 测试 C++ 接口的功能调用 除了 Python 外，还可以编写一段简单的 C++ 程序来加载 TensorRT 并创建一个基本引擎实例。下面是一个基础的例子： ```cpp #include "NvInfer.h" #include <iostream> int main() { nvinfer1::ILogger* logger = new nvinfer1::Logger(nvinfer1::Severity::kINFO); try { auto builder = nvinfer1::createInferBuilder(*logger); std::cout << "TensorRT Builder created successfully." << std::endl; delete builder; } catch (...) { std::cerr << "Failed to create TensorRT Builder." << std::endl; return -1; } delete logger; return 0; } ``` 此代码片段试图初始化 TensorRT 构建器对象。若编译与运行均不抛异常，则证明底层库支持良好[^3]。 --- #### 5. 利用 Docker 映像快速验证 当本地开发环境中遇到复杂依赖关系时，利用预构建好的容器映像是另一种高效的选择。例如拉取之前提到过的 NVIDIA NGC 上指定标签的镜像，并启动交互模式进行简单实验： ```bash docker pull nvcr.io/nvidia/tensorrt:23.06-py3 docker run --rm -it --gpus all nvcr.io/nvidia/tensorrt:23.06-py3 bash ``` 进入容器内部后重复前面介绍的一些检测手段即可。 --- ### 注意事项 无论采用哪种方式进行检验，在操作前都应仔细阅读对应文档了解各组件间的兼容性需求；另外也要留意 GPU 设备驱动版本是否满足最低要求[^4]。