转换约束如下：

当前仅支持对QAT模型中包含FakeQuantWithMinMaxVars、FakeQuantWithMinMaxVarsPerChannel（仅权重支持）两类FakeQuant层结构的模型进行适配。
当前仅支持Conv2D、MatMul、DepthwiseConv2dNative、Conv2dBackpropInput、AvgPool类型层匹配fake_quant节点并进行适配，层约束请参见均匀量化。

适配原理

适配原理如图1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_qat_model接口实现，用户在TensorFlow QAT网络推理的代码中导入库，并在特定的位置调用相应API，即可实现适配功能。QAT模型当前不支持自动量化功能。详细适配样例请参见获取更多样例，您也可以获取命令行方式的示例，快速体验其功能。

图1 QAT模型适配Ascend模型
点击放大

调用示例

本示例演示了如何将TensorFlow的QAT量化模型通过AMCT适配为CANN量化模型格式。

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，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_qat_model, test_data)

调用AMCT中的convert_qat_model接口，执行模型适配。

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>修改解析后的图结构，插入AscendQuant、AscendDequant等算子，保存为量化模型。

         
              quant_model_path = './result/user_model'
record_file = './result/record.txt'
amct.convert_qat_model(pb_model=ori_qat_model,
		       outputs=ori_qat_model_outputs,
		       save_path=quant_model_path,
                       record_file=record_file)

（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的环境下推理，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(quant_model, test_data)

QAT模型适配CANN模型

适配原理

调用示例