1. TensorRT 8.6版本适配全景图
第一次接触TensorRT的开发者经常会问：为什么我的CUDA 11.4环境安装TensorRT总报错？这就像买了不合脚的鞋子，技术再好也跑不快。TensorRT 8.6作为NVIDIA官方推理加速引擎，其版本适配远比想象中复杂——不同操作系统、CUDA版本、处理器架构的组合，对应着完全不同的安装包。我在部署AI模型时曾连续踩坑三天，最终发现是Ubuntu 20.04系统错装了CentOS的RPM包。
当前主流环境主要分为三大阵营：
- Linux系：包括Ubuntu 18.04/20.04/22.04、CentOS/RHEL 7/8
- Windows系：Windows 10/11（注意目前官方未提供Win11专属包）
- ARM架构：如Jetson系列开发板
更关键的是CUDA版本的分水岭。TensorRT 8.6将适配分为两个大版本：
- CUDA 11.x全家桶：从11.0到11.8共9个子版本
- CUDA 12.x新贵：目前支持12.0和12.1
实测发现，CUDA 11.8环境若错误安装CUDA 12.x的TensorRT包，不仅无法运行，还会导致原有CUDA环境崩溃。建议先用nvcc --version确认CUDA版本，这个命令比nvidia-smi显示的驱动版本更准确。
2. Linux环境安装实战指南
2.1 Ubuntu系统DEB包安装
以Ubuntu 22.04 + CUDA 12.1组合为例，官方提供两种安装方式。第一种是本地仓库安装，适合需要长期维护的环境：
# 先添加NVIDIA官方GPG密钥 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/3bf863cc.pub # 添加仓库配置（注意cuda12.1要使用12.0的仓库） echo "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64 /" | sudo tee /etc/apt/sources.list.d/cuda.list # 安装核心组件 sudo apt-get update sudo apt-get install tensorrt这里有个隐藏坑点：CUDA 12.1居然要使用12.0的仓库地址！我当初按照常规思维直接替换版本号，结果404错误排查了半小时。
第二种是直接下载DEB包手动安装，适合离线环境。需要注意依赖项的顺序：
- 先安装libnvinfer8_8.6.1-1+cuda12.0_amd64.deb
- 再安装libnvinfer-plugin8_8.6.1-1+cuda12.0_amd64.deb
- 最后安装tensorrt_8.6.1.6-1+cuda12.0_amd64.deb
2.2 CentOS系统RPM包处理
RedHat系系统有个特殊要求：必须提前安装EPEL仓库。曾经有团队在客户生产环境直接安装，导致系统原有yum源被污染。安全做法是：
# 添加EPEL仓库（CentOS 7示例） sudo yum install -y https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm # 安装前置依赖 sudo yum install -y libstdc++.so.6 # 添加NVIDIA仓库 sudo rpm -Uvh https://developer.download.nvidia.com/compute/cuda/repos/rhel7/x86_64/cuda-repo-rhel7-12-1-local-12.1.1.530-1.x86_64.rpm # 关键步骤：清理缓存 sudo yum clean all sudo yum makecache # 正式安装 sudo yum install -y tensorrt遇到"依赖关系错误"时，别急着用--nodeps强制安装。应该先检查是否缺少基础库，比如cudnn版本是否匹配。有个取巧的方法：用yum deplist tensorrt查看完整依赖树。
3. Windows环境特殊注意事项
Windows平台的TensorRT 8.6安装看似简单，实则暗藏玄机。首先要注意的是：所有Windows安装包都是ZIP格式，没有exe安装程序。这意味着需要手动配置环境变量，我见过90%的Windows安装问题都源于此。
标准安装流程应该是：
- 解压ZIP包到不含空格的路径（例如
C:\TensorRT-8.6.1.6） - 将以下路径加入系统PATH：
- 主目录下的lib文件夹
- bin文件夹（包含trtexec工具）
- 设置环境变量
TRT_LIBPATH指向lib目录
验证安装时，别用老套的python import测试。更可靠的方法是运行：
cd C:\TensorRT-8.6.1.6\bin .\trtexec --version如果遇到"找不到cudnn64_8.dll"错误，说明CUDA环境变量优先级有问题。Windows有个反直觉的特性：它会优先搜索System32目录下的dll。解决方案是调整PATH变量顺序，确保CUDA的bin目录在最前面。
4. 跨版本兼容性破解之道
当你的开发环境需要同时支持多个CUDA版本时，官方文档不会告诉你的技巧是使用LD_LIBRARY_PATH劫持（Linux）或PATH优先级（Windows）。比如在Ubuntu上管理CUDA 11.8和12.1双环境：
# 创建切换脚本cuda-switch.sh #!/bin/bash if [ "$1" == "11.8" ]; then export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH export PATH=/usr/local/cuda-11.8/bin:$PATH elif [ "$1" == "12.1" ]; then export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH export PATH=/usr/local/cuda-12.1/bin:$PATH fi使用时先执行source cuda-switch.sh 11.8再运行TensorRT应用。Windows下可以用批处理文件实现类似效果，但要注意管理员权限问题。
对于Docker用户，推荐直接使用NVIDIA官方镜像作为基础镜像。比如：
FROM nvidia/cuda:12.1.1-base-ubuntu22.04 RUN apt-get update && apt-get install -y tensorrt这比手动安装省心得多，但要注意镜像体积会膨胀2-3GB。有个优化技巧：使用多阶段构建，只复制必要的.so文件到最终镜像。
