---
title: convert_model接口模型适配
description: "如果用户有自己计算得到的量化因子以及TensorFlow原始模型，该模型无法直接使用ATC工具转成适配AI处理器的离线模型，需要借助该章节提供的功能，将其转成CANN量化模型格式，然后才能使用ATC工具，将CANN量化模型转成适配AI处理器的离线模型。"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0198.html
sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0198.html
indexId: c7971737bd4407878b539f0b4f398b824c49ad804216ebccb446d71f01cd82d665
---
# convert_model接口模型适配

如果用户有自己计算得到的量化因子以及TensorFlow原始模型，该模型无法直接使用ATC工具转成适配AI处理器的离线模型，需要借助该章节提供的功能，将其转成CANN量化模型格式，然后才能使用ATC工具，将CANN量化模型转成适配AI处理器的离线模型。

#### 适配原理

适配原理如下图所示，蓝色部分为用户实现，灰色部分为用户调用AMCT提供的convert_model接口实现，用户在TensorFlow原始网络推理的代码中导入库，并在特定的位置调用相应API，即可实现模型适配功能。该场景下的适配样例请参见样例列表。

图1 模型适配原理


#### 调用示例

本示例演示如何使用convert_model接口对原始模型进行适配。

1. 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。
2. 如果用户需要基于如下代码，对其他模型进行量化，需要准备原始未量化的模型，将用户自己准备的量化因子转换为量化因子记录文件。


1. 导入AMCT包，设置日志级别。
  1 2 import amct_tensorflow as amct amct.set_logging_level(print_level='info', save_level='info')

2. （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，在TensorFlow环境下推理，验证环境、推理脚本是否正常。
  推荐执行该步骤，以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。

  1 user_do_inference(ori_model, test_data)

3. 调用AMCT中的convert_model接口，进行模型适配。
  该接口内部会将pb格式的模型解析为graph形式，完成图的预处理操作>解析用户传入的量化因子文件>然后根据量化因子和修改后的图结构，插入AscendQuant、AscendDequant等算子，保存为量化模型。 1 2 3 4 5 6 quant_model_path = './results/user_model' record_file = './results/record.txt' amct.convert_model(pb_model=ori_model, outputs=ori_model_outputs, record_file=record_file, save_path=quant_model_path)

4. （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。

  1 2 quant_model = './results/user_model_quantized.pb' user_do_inference(quant_model, test_data)