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。

用户可以参见mobilenetv2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TensorFlow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。
在原始TensorFlow环境中验证量化后仿真模型精度。

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_tensorflow as amct
amct.set_logging_level(print_level="info", save_level="info")

（可选，由用户补充处理）建议使用原始待量化的模型和测试集，基于TensorFlow在NPU环境下在线推理，验证环境、推理脚本是否正常。
执行该步骤时，需要注意如下两点：
1. 推荐执行该步骤，确保原始模型可以在NPU完成推理且精度正常，如果该步骤无法完成，则将无法进行量化操作；如果该步骤的推理精度不满足要求，则后续量化精度结果将不可信。
2. 执行该步骤时，可以使用部分测试集，减少运行时间。
```
user_do_inference_on_npu(ori_model, test_data)
```
（由用户补充处理）根据原始模型user_model.pb，准备好图结构tf.Graph。
```
ori_model = 'user_model.pb'
ori_graph = user_load_graph(ori_model)
```

调用AMCT，量化模型。

生成量化配置。

config_file = './tmp/config.json'
skip_layers = []
amct.create_quant_config_ascend(config_file=config_file,
				graph=ori_graph,
				skip_layers=skip_layers)

修改图，在图中插入量化相关的算子。

record_file = './tmp/record.txt'
user_model_outputs = ['user_model_outputs0', 'user_model_outputs1']
calibration_graph, calibration_outputs = amct.quantize_model_ascend(
    graph=ori_graph,
    config_file=config_file,
    record_file=record_file，
    outputs=user_model_outputs)

（由用户补充处理）使用修改后的图在校准集上做在线推理，找到量化因子。
该步骤执行时，需要注意如下两点：
1. 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。
2. 量化后图的calibration_graph输出为calibration_outputs，在线推理时都要执行。
```
user_do_inference_on_npu(calibration_graph, calibration_outputs, calibration_data)
```

保存模型。

quant_model_path = './results/user_model'
amct.save_model_ascend(pb_model=ori_model,
	               outputs=user_model_outputs,
	               record_file=record_file,
	               save_path=quant_model_path)

（可选，由用户补充处理）使用量化后模型user_model_quantized.pb和测试集，在TensorFlow CPU环境下推理，测试量化后的仿真模型精度。
使用量化后仿真模型精度与2中的原始精度做对比，可以观察量化对精度的影响。
```
quant_model = './results/user_model_quantized.pb'
user_do_inference_on_cpu(quant_model, test_data)
```

快速入门