pytorch模型中含tensorrt不支持的op（如interpolate非双线性/最近邻模式、动态scale_factor、自定义算子等），需在onnx导出前替换为trt友好形式：用nn.upsample替代函数式插值并固定scale_factor；为自定义算子注册symbolic或加@torch.jit.export；禁用requires_grad=true；启用plugin_fast_math等兼容flag。
PyTorch模型中用了TensorRT不支持的op，torch.nn.functional.interpolate就是典型
TensorRT 8.x 对 torch.nn.functional.interpolate 的支持非常有限：只认双线性/最近邻、固定 scale_factor（不能是动态张量）、且仅限 2D/3D 输入。一旦你用了 mode="bicubic"、align_corners=False 或把 scale_factor 写成模型输入变量，TRT 就会直接报错 Unsupported operation: interpolate。
解决思路不是硬改 TRT，而是前置替换——在导出 ONNX 前就把插值操作替换成 TRT 友好等价形式：
- 用
torch.nn.Upsample替代函数式调用，并显式指定mode和scale_factor（必须是 Python float/int，不能是torch.Tensor） - 若必须动态缩放，改用
torch.nn.functional.grid_sample+ 预生成 grid（TRT 7.2+ 支持该组合） - 避免在
forward中用if x.shape[-1] > 64:这类 shape 依赖逻辑——TRT 构建时 shape 是静态的，运行时报错往往发生在推理阶段
自定义算子（如 deformable conv）无法通过 torch.onnx.export 导出
ONNX 导出器不认识你写的 DeformConv2d 类，会直接抛 RuntimeError: Exporting the operator deform_conv2d to ONNX opset version 17 is not supported。这不是 TRT 的锅，是 ONNX 这一环就断了。
必须让自定义算子“可导出”：
- 给算子类加
@torch.jit.export装饰器，并确保其forward方法只用 TorchScript 支持的子集（禁用**kwargs、dict、print()） - 导出时启用
enable_onnx_checker=False（绕过 ONNX 校验，但后续 TRT 加载仍可能失败） - 更稳妥的做法：用
torch.onnx.register_custom_op_symbolic注册 symbolic function，把自定义 op 映射为 ONNX 已有 op（例如把 deform conv 拆成 offset gather + standard conv）
torch.tensor(..., requires_grad=True) 导致 TRT 构建失败
哪怕模型没训练，只要中间某处写了 torch.tensor([1.0], requires_grad=True)，ONNX 导出就会带出 Gradient 相关节点，TRT 解析时直接拒绝加载，报错类似 Failed to parse onnx file: Node (GRAD_0) has input not in graph。
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
排查和修复很简单：
- 全局搜索代码里所有
requires_grad=True，尤其是常量 tensor 初始化位置 - 统一改成
torch.tensor(..., requires_grad=False)或更明确地用torch.tensor(...).detach() - 导出前加一句
model.eval().requires_grad_(False)，双重保险
TRT builder 报 Assertion failed: mOp != nvinfer1::Ops::kPLUGIN_V2
这是 TensorRT 8.6+ 的常见报错，本质是插件接口变更：旧版 IPluginV2 插件（比如你从 TRT 7 移植来的 custom plugin）不再被默认启用。TRT 不再自动 fallback，而是直接 assertion fail。
必须显式启用兼容模式：
- 构建 builder 时加配置：
config.set_flag(trt.BuilderFlag.PLUGIN_FAST_MATH)（部分插件依赖此 flag） - 更重要的是：调用
builder.create_network(1 ，确保网络创建标志含 <code>EXPLICIT_BATCH（TRT 8+ 强制要求） - 若仍失败，检查插件源码是否已升级到
IPluginV2DynamicExt接口——老插件需重编译并链接libnvinfer_plugin.so的新版
真正卡住的地方往往不在 TRT 本身，而在 ONNX 导出那一步的隐式行为：shape 推导、grad 状态、control flow 处理。先用 onnx.checker.check_model 验证 ONNX 文件是否 clean，比盲目调 TRT 参数更省时间。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
