量化感知训练支持量化的层以及约束如下，量化过程请参见获取更多样例>ResNet50。

表1 量化感知训练支持的层以及约束
支持的层类型	约束
nn.Dense：全连接层	-
nn.Conv2d：卷积层	dilation为1、group为1、filter维度为4，或者dilation为1、group不为1，group=channel、filter维度为4

实现原理

量化感知训练实现原理如图1所示。

图1 量化感知训练原理
点击放大

蓝色部分为用户实现，灰色部分为用户调用AMCT提供的 API 实现，使用流程如下：

首先进行训练后量化，得到calibration_record.txt文件，然后初始化UlqInitializer。
用户构造MindSpore的原始模型，调用create_quant_retrain_config生成量化感知训练的量化配置文件。
调用create_quant_retrain_model接口对原始MindSpore模型进行修改，修改后的模型中包含了权重量化和数据量化相关的算子。
如果训练过程未中断，则调用save_quant_retrain_model接口保存量化感知训练后的air格式的模型文件，该air格式的量化模型可以在昇腾AI处理器部署。
如果训练过程中断，则可以基于保存的checkpoint和量化配置文件，重新调用restore_quant_retrain_model接口，输出修改后的retrain network，继续进行量化感知的训练，训练结束后然后调用save_quant_retrain_model接口保存量化后的模型，导出air格式的量化模型文件。

调用示例

本示例演示如何使用AMCT进行量化感知训练。

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。
调用AMCT的部分，函数入参可以根据实际情况进行调整。量化感知训练基于用户的训练过程，请确保已经有基于MindSpore环境进行训练的脚本，并且训练后的精度正常。

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')

参见快速入门进行一次训练后量化，使用训练后量化的量化因子作为量化感知训练的初始值。
（可选，由用户补充处理）如果不想执行训练后量化，也可以参见如下示例手动设置初始值：
```
user_do_calibration()
```

（由用户补充处理）准备网络，恢复训练参数，并将网络设置到训练状态。

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)

设置训练模式。
```
ori_network.set_train(True)
```

调用AMCT，执行量化流程。

构造初始化器。

使用2训练后量化的结果进行初始化。

record_file = './tmp/record.txt'
initializer = UlqInitializer(record_file)

生成量化配置。

执行该步骤前，请参见3.b先恢复训练好的参数。

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

修改模型。
在模型ori_model中插入数据量化、权重量化等相关算子，然后保存为新的训练模型retrain_model。
```
retrain_network = amct.create_quant_retrain_model(config_file=config_file,
						  network=ori_network,
						  initializer=initializer,
                                                  input_data=fake_input_data)
```
该过程中如果提示数据类型不一致等类似信息，则请参见量化感知训练场景下，出现数据类型不一致的解决方法处理。
（由用户补充处理）使用修改后的图，创建反向梯度，在训练集上做训练，训练量化因子。
1. 使用修改后的图，创建反向梯度。该步骤需要在4.a之后执行。
```
optimizer = user_create_optimizer(quant_retrain_model)
```
2. 训练模型，训练过程中保存的checkpoint应该包括量化因子。
```
quant_pth = './ckpt/user_model'
user_train_model(optimizer, quant_retrain_model, train_data)
```

保存量化模型。

根据量化因子以及修改后的模型，调用save_quant_retrain_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型。

quant_model_path = './result/user_model'
amct.save_quant_retrain_model(config_file=config_file,
                              file_name=quant_model_path,
                              network=retrain_network,
                              input_data=fake_input_data)

如果训练过程中断，需要从ckpt中恢复数据，继续训练，则调用流程为：

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，并将网络设置到训练状态。

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)

设置训练模式。
```
ori_network.set_train(True)
```

调用AMCT，恢复量化训练流程。

修改模型，在模型ori_model插入量化相关的算子，从量化训练的checkpoint中恢复训练参数，保存为新的训练模型retrain_model。

执行该步骤前，请参见3.b先恢复训练好的参数。

config_file = './tmp/config.json'
fake_input_data = np.random.uniform(0.0, 1.0, size=ori_network_input_shape).astype(np.float32)
checkpoint_path = './ckpt/user_model-newest.ckpt'
retrain_network = amct.restore_quant_retrain_model(config_file=config_file,
						   network=ori_network,
						   checkpoint_path=checkpoint_path,
                                                   input_data=fake_input_data)

（由用户补充处理）使用修改后的图，创建反向梯度，在训练集上做训练，训练量化因子。
1. 使用修改后的图，创建反向梯度。该步骤需要在4.a之后执行。
```
optimizer = user_create_optimizer(quant_retrain_model)
```
2. 训练模型，训练过程中保存的checkpoint应该包括量化因子。
```
quant_pth = './ckpt/user_model'
user_train_model(optimizer, quant_retrain_model, train_data)
```

保存模型。

quant_model_path = './result/user_model'
amct.save_quant_retrain_model(config_file=config_file,
                              file_name=quant_model_path,
                              network=retrain_network,
                              input_data=fake_input_data)

基础量化

实现原理

调用示例