为了分析网络构建的情况，在代码中有一些辅助工具，在构建/推理的过程中会运行并输出结果。相关的代码包括：
TrtForward::DumpNetwork: 打印生成的TensorRT网络，打印信息包括层名、输入输出的维度信息和类型信息。需要注意的是，这里的类型信息不一定准确，这是TensorRT的已知 Bug，这一方法可以在TrtForward::Build中被调用，用户可以自行选择启用或关闭。TrtCommon::SimpleProfiler：打印各网络层使用的推理时间。使用此功能需开启宏TRT_INFER_ENABLE_PROFILING，即在生成构建关系时需启用ENABLE_PROFILING。当TrtForward完成推理后，Forward 会给出相应的时间。
对于大部分单独结点的转换，我们提供了单元测试组件以验证其转换的正确性。这些组件位于单元测试目录，其中：
| 文件名 | 内容 |
|---|---|
test_<platform>_nodes.h |
测试对应平台下结点正确性 |
在 unit_test_<platform>_helper.h 中，我们提供了 Test<Platform>Inference 方法，用户可以根据此方法继续添加新的单元测试。
对于常见的 CV / Bert / Recommender 模型，我们在单元测试目录中同样提供了相应的组件，用于测试模型转换的正确性。
| 文件名 | 内容 |
|---|---|
test_<platform>_vision.h |
测试对应平台下 CV 模型的正确性 |
test_<platform>_bert.h |
测试对应平台下 Bert 模型的正确性 |
test_torch_dlrm.h.h |
测试 PyTorch 平台下 DLRM 推荐模型的正确性 |
test_tf_recommender.h |
测试 TensorFlow 平台下部分推荐模型的正确性 |
test_onnx_models.h |
测试 ONNX 平台下常见模型的正确性 |
test_onnx_dynamic.h |
测试 ONNX 平台下 ResNet50 模型动态批量输入的正确性 |
对于 CV 模型的性能指标，我们通过性能测试验证了其效果。在 unit_test_<platform>_helper.h 中，我们提供了 Test<Platform>Time 方法，用户可以根据此方法继续添加新的性能测试。