---
title: create_prune_retrain_model
description: "| 产品 | 是否支持 |"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0108.html
sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0108.html
indexId: e4a6b202d61501c3551483930400aae21693bdb47c5094ef72e8957fdbfd292165
---
# create_prune_retrain_model

#### 产品支持情况

| 产品 | 是否支持 |
| --- | --- |
| Atlas 350 加速卡 | 通道稀疏：√ 4选2结构化稀疏接口：x |
| Atlas A3 训练系列产品 / Atlas A3 推理系列产品 | 通道稀疏：√ 4选2结构化稀疏接口：√ |
| Atlas A2 训练系列产品 / Atlas A2 推理系列产品 | 通道稀疏：√ 4选2结构化稀疏接口：√ |
| Atlas 200I/500 A2 推理产品 | 通道稀疏：√ 4选2结构化稀疏接口：√ |
| Atlas 推理系列产品 | 通道稀疏：√ 4选2结构化稀疏接口：x |
| Atlas 训练系列产品 | 通道稀疏：√ 4选2结构化稀疏接口：x |


注：上述4选2结构化稀疏特性，标记“x”的产品，调用接口不会报错，但是获取不到性能收益。


#### 功能说明

通道稀疏或4选2结构化稀疏接口，两种稀疏特性每次只能使能一个：将输入的待稀疏的图结构按照给定的稀疏配置文件进行稀疏处理，在传入的图结构中插入或者替换相关的算子，生成记录稀疏信息的record_file，返回修改后可用于稀疏后训练的torch.nn.Module模型。


#### 函数原型

```
prune_retrain_model = create_prune_retrain_model (model, input_data, config_defination, record_file)
```


#### 参数说明

| 参数名 | 输入/输出 | 说明 |
| --- | --- | --- |
| model | 输入 | 含义：待进行稀疏的模型，已加载权重。 数据类型：torch.nn.Module |
| input\_data | 输入 | 含义：模型的输入数据。一个torch.tensor会被等价为tuple(torch.tensor)。 数据类型：tuple |
| config\_defination | 输入 | 含义：简易配置文件。 基于retrain\_config\_pytorch.proto文件生成的简易配置文件prune.cfg，\*.proto文件所在路径为：AMCT安装目录/amct\_pytorch/proto/。\*.proto文件参数解释以及生成的prune.cfg简易量化配置文件样例请参见量化感知训练简易配置文件。 数据类型：string |
| record\_file | 输入 | 含义：记录稀疏信息的文件路径及名称，记录通道稀疏结点间的级联关系或记录4选2稀疏的节点。 数据类型：string |


#### 返回值说明

返回修改后可用于稀疏后训练的torch.nn.Module模型。


#### 调用示例

```
import amct_pytorch as amct
# 建立待进行稀疏的网络图结构
model = build_model()
model.load_state_dict(torch.load(state_dict_path))
input_data = tuple([torch.randn(input_shape)])
 
# 调用稀疏模型API
record_file = os.path.join(TMP, 'scale_offset_record.txt')
cfg_file = './prune_config.cfg'
prune_retrain_model = amct.create_prune_retrain_model(
               model,
               input_data,
               cfg_file,
               record_file)
```