AutoML工具支持Python API接口插入训练代码进行性能调优。在基于API方式进行模型性能调优时，用户需自行提供模型与数据集，调用API接口完成模型的调优过程。目前仅支持MindSpore框架模型的量化调优。模型量化期间，用户可手动配置参数，并使用部分数据完成对模型的校准，获取一个量化后的模型。

操作步骤

用户自行准备预训练模型和数据集。

打开或者新建一个Python文件，例如ms_quant_model.py。编写ms_quant_model.py文件，导入预训练模型、数据集和如下接口。Python API接口说明请参考接口说明。

from ascend_model_compression.mindspore.quant.ptq_quant.quantize_model import quantize_model
from ascend_model_compression.mindspore.quant.ptq_quant.create_config import create_quant_config
from ascend_model_compression.mindspore.quant.ptq_quant.save_model import save_model

（可选）调整日志输出等级，启动调优任务后，将打屏显示手动量化调优的日志信息。
```
import logging
logging.getLogger().setLevel(logging.INFO)    #请根据实际情况进行配置
```

准备预训练模型。

model = get_user_network()   #指定预训练模型
load_checkpoint(ckpt_file_path, model)    #模型加载预训练参数，请根据实际情况配置

使用create_quant_config接口生成配置文件。
```
config_file = "./quant_config.json"    #待生成的量化配置文件存放路径及名称，请根据实际情况配置
create_quant_config(config_file, model)
```
通过create_quant_config接口生成的默认配置文件，用户可以手动修改其中的配置项，以达到手动控制量化的目的。
- “fuse_bn”默认为“true”，即默认融合BatchNormalization层，用户可修改为“false”以关闭融合。
- “quant”默认为“true”，即为量化API判定可以进行量化的网络层，用户可以修改为“false”，以关闭特定网络层的量化。
使用quantize_model接口修改原模型，进行量化算子插入，此处的input_data需要与预训练模型的input保持一致的shape。
```
input_data = ms.Tensor(np.random.uniform(size=[256, 3, 224, 224]), dtype=mstype.float32)    #请根据实际情况配置
model_calibrate = quantize_model(config_file, model, input_data)    #通过调用quantize_model接口生成的量化后的模型
```
若原模型包含logger，将无法对原模型进行deepcopy，影响后续量化算子的插入，用户在使用 quantize_mdoel() 接口前需删除原模型中的logger属性。
对量化模型进行校准。校准过程中会使用少量数据集进行前向传播，以校准量化算子中的参数，提高量化后的精度。
```
calibrate(model_calibrate, dataset)     #请根据实际情况配置数据集
```

使用save_model接口保存量化后模型。

file_name = "./quantized_model"    #指定量化后模型保存路径和文件名
save_model(file_name, model_calibrate, input_data, file_format="AIR")    #请根据需要配置量化后模型的格式

“file_format”支持AIR、MINDIR两种格式，默认值为AIR。

启动模型量化调优任务，并在步骤7指定的目录获取一个量化完成的模型。
```
python3 ms_quant_model.py
```

基于API方式的模型性能调优

操作步骤