输入层tensor的Shape疑问求解（cur_in_tensor_params[0].pShape）？

[szjcqu]

感谢题主的开源代码，受益匪浅！
我有两个疑问请教一下 ：

1 输入层tensor的Shape， ( nanodet_infer.cc 的235行 )：

// 第一个输入tensor
cur_in_tensor_params[0].nDims = 4;
cur_in_tensor_params[0].type = DT_FLOAT;
cur_in_tensor_params[0].pShape[0] = 1; //batch size can't set to -1
cur_in_tensor_params[0].pShape[1] = 3;
cur_in_tensor_params[0].pShape[2] = INPUT_W;
cur_in_tensor_params[0].pShape[3] = INPUT_H;

输入的tensor的shape按道理是NCHW, 即上述应该是 pShape[2] = INPUT_H， pShape[3] = INPUT_W。不知道我的理解是否正确？ 是因为nanodet的输入尺寸是320x320, 所以这里即使反了，运行和结果才没出现问题 ？

2 题主在另一个Issue （https://github.com/Wulingtian/nanodet_tensorrt_int8/issues/1） 中提供的 LibMyTtrEngine-trt721.so生成代码，与github上TensorRT的模型加载运行的代码(例如 https://hub.fastgit.org/linghu8812/tensorrt_inference/tree/master/nanodet )不太相同，但题主的nanodet推理的效果和精度有明显的提升！ 请问题主做了哪些相关的优化？

谢谢。 期待题主的回复！

[Wulingtian]

关于第一个疑问，你的理解是对的；速度有提升是因为做了int8量化，以及对tensorrt的推理做了封装（把加载引擎，分配输入输出显存，释放显存，输入数据从内存拷贝到显存，输出数据从显存拷贝到内存封装为.so文件），精度有提升是因为改变了网络结构，把原始模型的maxpooling替换为卷积，把PAN层的上采样及下采样分别替换为反卷积和卷积。

[szjcqu]

关于第一个疑问，你的理解是对的；速度有提升是因为做了int8量化，以及对tensorrt的推理做了封装（把加载引擎，分配输入输出显存，释放显存，输入数据从内存拷贝到显存，输出数据从显存拷贝到内存封装为.so文件），精度有提升是因为改变了网络结构，把原始模型的maxpooling替换为卷积，把PAN层的上采样及下采样分别替换为反卷积和卷积。

感谢题主的解析！ 题主有尝试过用现在这个框架（nanodet_tensorrt_int8 工程和 LibMyTtrEngine-trt721.so工程）做图像语义分割么？ 也就是pth ->onnx -> trt， 输入1x3xHxW, 调用LibMyTtrEngine-trt721，用nanodet_tensorrt_int8工程得到1x1xHxW输出 ？
如果方便的话，题主能否留一下联系方式，有TRT相关的问题想跟题主请教一下？