4. 常见推理异常类型：错误分类、症状识别与初步定位方法

推理异常现场千差万别，但绝大多数问题都可以归入有限的几大类。面对一个报错或异常行为，第一步不是急着改代码，而是先回答三个问题：异常发生在哪个阶段？异常的表现形态是什么？异常最可能涉及哪一层组件？ 本章给出一个可操作的分类框架，帮助你快速建立“症状 → 类型 → 方向”的映射关系。

4.1 按发生阶段分类：推理生命周期的三个断面

一次完整的 TensorRT 推理可以切分为三个时间断面，每个断面出现的异常，其根因和排查手段截然不同。

构建期（Build Time）：从加载 ONNX/PyTorch 模型到生成 Engine 文件。典型异常包括：算子不支持、维度推导失败、显存不足（构建时峰值显存）、精度校准（Calibration）崩溃。
序列化/反序列化期（Serialization）：Engine 保存为 .plan 文件，或从 .plan 文件加载。典型异常包括：版本不匹配、平台不匹配（如 GPU 架构不同）、文件损坏、反序列化时显存不足。
执行期（Runtime）：Engine 加载完成后执行 enqueueV2/enqueueV3 推理。典型异常包括：输入尺寸/类型不匹配、显存越界、CUDA error、结果数值错误（NaN/Inf）、性能骤降。

判断技巧：报错信息中如果包含 TensorRT: xxx 且发生在 build_serialized_network 或 deserialize_cuda_engine 调用栈中，优先归为构建期/序列化期问题；如果发生在 enqueueV3 或 execute 调用栈中，则归为执行期问题。

4.2 按错误形态分类：五种常见“脸谱”

从错误的外在表现来看，推理异常可以归纳为以下五种形态。每种形态对应不同的排查路径。

错误形态	典型报错关键词	常见根因方向	初步定位手段
显存类	out of memory, CUBLAS_STATUS_ALLOC_FAILED	显存碎片、Batch 过大、工作区（workspace）设置过大、内存泄漏	监控 nvidia-smi 峰值显存，逐步缩小 Batch 或 workspace
形状/维度类	mismatch, invalid dimensions, binding index out of range	输入张量 shape 与 Engine 声明不一致、动态 shape 未设置优化 profile	打印 Engine 的 binding 信息，核对输入输出维度
算子/内核类	unsupported op, no kernel, assertion failed	模型算子 TensorRT 不支持、自定义插件未注册、精度模式不兼容	使用 Polygraphy 或 trtexec 逐层定位失败算子
数值/精度类	NaN, Inf, inconsistent results	FP16/INT8 精度溢出、校准数据分布偏差、层归一化参数异常	对比 FP32 与低精度输出，逐层检查中间张量数值范围
同步/并发类	illegal memory access, CUDA error, stream synchronization	多流竞争、异步拷贝未同步、Host 与 Device 生命周期管理错误	启用 compute-sanitizer 检查越界访问，检查 cudaStreamSynchronize 调用点

4.3 症状识别：从现象到类型的快速判断路径

实际现场往往不会直接给出“类型”，而是给出一个模糊的症状。下面是一张判断路径图，帮助你从现象快速收敛到类型。

4.4 初步定位方法：三板斧

无论症状属于哪一类，以下三个方法都能帮助你快速缩小范围，避免在错误的方向上浪费时间。

方法一：启用 TensorRT 详细日志

设置日志级别为 VERBOSE，可以输出每个层（Layer）的构建细节、维度推导过程和内存分配信息。这是定位构建期问题最直接的手段。

// C++ 示例
class MyLogger : public nvinfer1::ILogger {
    void log(Severity severity, const char* msg) noexcept override {
        if (severity == Severity::kVERBOSE) {
            std::cout << "[TRT-VERBOSE] " << msg << std::endl;
        }
    }
};
MyLogger gLogger;
// 创建 builder 时传入
auto builder = nvinfer1::createInferBuilder(gLogger);

  关键观察点：在 VERBOSE 日志中搜索 [Mem] 关键字可以查看显存分配记录；搜索 [Layer] 可以查看每个层的名称和维度；搜索 ERROR 或 Assertion 可以快速定位失败位置。

方法二：使用 trtexec 快速复现

trtexec 是 TensorRT 自带的命令行工具，可以在不写代码的情况下复现构建和推理过程。它非常适合用来判断问题是否出在模型本身，而非你的业务代码。

# 构建并推理，输出详细日志
trtexec --onnx=model.onnx --saveEngine=model.plan --verbose

# 只做构建，不做推理
trtexec --onnx=model.onnx --buildOnly

# 指定 FP16 精度
trtexec --onnx=model.onnx --fp16 --buildOnly

# 测试动态 shape
trtexec --onnx=model.onnx --minShapes=input:1x3x224x224 \
        --optShapes=input:8x3x224x224 --maxShapes=input:16x3x224x224

如果 trtexec 能成功构建并推理，说明模型本身没有问题，异常大概率出在你的业务代码（如输入预处理、显存管理、Stream 同步等）。如果 trtexec 也失败，则问题在模型或 TensorRT 配置层面。

方法三：Polygraphy 逐层定位

Polygraphy 是 NVIDIA 提供的模型调试工具，可以对比不同精度、不同后端（TensorRT vs ONNX-Runtime）的逐层输出，精确定位第一个产生差异的层。

# 对比 TensorRT FP16 与 ONNX Runtime FP32 的输出差异
polygraphy run model.onnx --trt --fp16 --onnxrt \
    --trt-outputs mark all --onnxrt-outputs mark all \
    --atol 0.01 --rtol 0.01 \
    --validate

当输出中显示 [I] PASSED 表示精度在容忍范围内；如果显示 [E] MISMATCH，会列出第一个不匹配的层名称和数值差异，直接指向问题层。

4.5 案例复盘：一个“假性显存不足”的排查过程

某次线上服务报错 CUDA error: out of memory，但通过 nvidia-smi 观察显存占用并不高（约 3GB / 24GB）。初步判断为显存类问题，但显存监控数据不支持这一结论。

排查过程如下：

启用 compute-sanitizer：compute-sanitizer --tool memcheck ./your_app，发现报错位置在 cudaMemcpyAsync 调用处，且提示 invalid argument，并非真正的显存耗尽。
检查输入指针：发现传入 cudaMemcpyAsync 的目的地址是一个 Host 端指针，而非 Device 指针。原因是代码中在某个分支下忘记调用 cudaMalloc，导致指针未初始化。
修复：在初始化阶段统一分配 Device 内存，并增加指针有效性检查。

误区提醒：看到 out of memory 就立刻调小 Batch 或换大显存显卡，是典型的“症状驱动”而非“根因驱动”。很多显存报错实际上是非法内存访问、指针未初始化或 Stream 不同步导致的“假性 OOM”。务必先用 compute-sanitizer 确认是否存在真正的越界访问。

4.6 常见误区与复盘清单

在推理异常排查中，以下误区会显著拖慢定位速度，需要刻意规避：

只看最后一行报错：TensorRT 的日志往往很长，真正的根因可能在报错前几十行。建议保存完整日志，从下往上逐段阅读。
忽略版本一致性：CUDA、cuDNN、TensorRT 三个版本必须匹配。版本不匹配经常导致“算子不支持”或“反序列化失败”的假象。
动态 shape 未配置优化 profile：使用动态 shape 时，必须调用 setOptimizationProfile 设置 min/opt/max 三个维度，否则推理时输入尺寸超出范围会直接报错。
FP16 精度问题直接归咎于 TensorRT：很多 FP16 精度问题源于模型本身（如未做 BatchNorm 融合、激活值范围过大），而非 TensorRT 的精度损失。先用 Polygraphy 对比 FP32 与 FP16 的逐层输出，定位第一个差异层。
忽略 Host 与 Device 生命周期：在异步推理中，如果 Host 端输入数据在 enqueueV3 返回后就被释放，会导致未定义行为，表现为随机性的数值错误或崩溃。

最后，建议每次排查完成后，记录一份简短的复盘清单，包含：异常现象、报错关键词、定位工具、根因、修复措施。积累 10 个以上案例后，你会发现自己对异常类型的敏感度显著提升，大部分问题可以在几分钟内完成初步定位。