本章节详细给出量化压缩特性中训练后量化的模板代码解析说明，通过解读该代码，用户可以详细了解AMCT的工作流程以及原理，方便用户基于已有模板代码进行修改，以便适配其他网络模型的量化。关于量化特性的分类请参见简介。

用户可以参见ResNet50获取本章节的sample示例代码。训练后量化主要包括如下几个步骤：

准备训练好的模型和数据集。
在原始MindSpore环境中验证模型精度以及环境是否正常。
编写训练后量化脚本调用AMCTAPI。
执行训练后量化脚本。

如下流程详细演示如何编写脚本调用AMCTAPI进行模型量化。

如下示例标有“由用户补充处理”的步骤，需要用户根据自己的模型和数据集进行补充处理，示例中仅为示例代码。
如下示例调用AMCT的部分，函数入参请根据实际情况进行调整。

导入AMCT包，设置日志级别。

import amct_mindspore as amct
amct.set_logging_level(print_level='info', save_level='info')

（由用户补充处理）准备网络，恢复训练参数，并将网络设置到测试状态。

创建网络。
```
ori_network = user_create_network()
```

恢复训练参数。

param_dict = load_checkpoint(user_network_checkpoint)
load_param_into_net(ori_network, param_dict)

设置网络状态。
```
ori_network.set_train(False)
```

（可选，由用户补充处理）在MindSpore原始环境中验证推理脚本及环境。
建议使用原始待量化的模型和测试集，在MindSpore环境下推理，验证环境、推理脚本是否正常。

推荐执行该步骤，请确保原始模型可以完成推理且精度正常；执行该步骤时，可以使用部分测试集，减少运行时间。
```
user_do_inference(ori_network, test_data, test_iterations)
```

调用AMCT，量化模型。

生成量化配置。

config_file = './tmp/config.json'
skip_layers = []
fake_input_data = np.random.uniform(0.0, 1.0, size=ori_network_input_shape).astype(np.float32)
amct.create_quant_config(config_file=config_file,
                         network=ori_network,
                         input_data=fake_input_data,
                         skip_layers=skip_layers)

修改网络模型，在模型中插入数据量化，权重量化等相关的算子，用于计算量化相关参数。

record_file = './tmp/record.txt'
calibration_network = amct.quantize_model(config_file=config_file,
                                            network=ori_network,
                                            input_data=fake_input_data)

（由用户补充处理）基于MindSpore环境，使用修改后的模型（calibration_network）在校准集（calibration_data）上做模型推理，找到量化因子。
该步骤执行时，需要注意：校准集及其预处理过程数据要与模型匹配，以保证量化的精度。
```
user_do_inference(calibration_network, calibration_data)
```

保存量化模型。

根据量化因子，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为可部署的量化模型。

quant_network_path = './results/user_network'
amct.save_model(file_name=quant_network_path,
                  network=calibration_network,
                  input_data=fake_input_data)

快速入门