当前该工具主要实现的融合功能，分为如下几类（如下融合场景中涉及的单个算子，需要先满足各个压缩场景比如量化、组合压缩等的约束条件）：
- Conv+BN融合：
- AMCT在量化前会对模型中的"Conv2D+BatchNorm"结构做Conv+BN融合，融合后的"BatchNorm"层会被删除。
- AMCT在量化前会识别模型中的"Conv2D+BatchToSpace+BN"结构，检测到Channel一致时会调整为"Conv2D+BN+BatchToSpace"结构，然后进行Conv+BN融合，融合后的"BatchNorm"层会被删除。
- Depthwise_Conv+BN融合：AMCT在量化前会对模型中的"DepthwiseConv2dNative+BatchNorm"结构做Depthwise_Conv+BN融合，融合后的"BatchNorm"层会被删除。
- OP+(BiasAdd)+Mul融合：AMCT在量化前会对模型中的“Conv2D/MatMul/DepthwiseConv2dNative/Conv2DBackpropInput+Mul”和“Conv2D/MatMul/DepthwiseConv2d/Conv2DBackpropInput+BiasAdd+Mul”结构做OP+(BiasAdd)+Mul融合，融合后的“Mul”层会被删除。
该场景下，要求Mul的另外一路输入为Const类型，且Shape为空。
- Group_conv+BN融合：如果模型中使用"Split+多路Conv2D+ ConcatV2（或Concat，且Concat在C轴）"表示Group_conv，AMCT在量化前会对模型中"Group_conv+BatchNorm"结构做融合，融合后的"BatchNorm"层会被删除。
BN支持融合的算子类型为FusedBatchNorm, FusedBatchNormV2 和FusedBatchNormV3。
- requant融合（Relu6无法做Requant融合，需替换为Relu）：由于Relu6算子在Relu的基础上增加了对6以上数值的截断，同时量化过程中也会对输入浮点数进行截断，故Relu6+Ascendquant与Relu+Ascendquant存在等价的场景可以进行替换。基于该背景AMCT对量化部署模型中的Relu6+Ascendquant算子等价替换为Relu+Ascendquant。
- OP+Add融合（算子替换）：当Add/AddV2算子的一路为常量，且不能与placeholder节点的关联，另一路为如下类型的算子，Add/AddV2会替换成BiasAdd算子，以便进行后续的Bias量化：
- Conv2d/Conv3d：Add是标量，或者多维数组，或者最后一个轴和cout轴长度对齐的一维数组。
- DepthwiseConv2dNative：Add是标量，或者多维数组，或者最后一个轴和cout轴长度对齐的一维数组。
- Conv2DBackpropInput：Add是标量，或者多维数组，或者最后一个轴和cout轴长度对齐的一维数组。
- MatMul：Add与Matmul的cout轴长度对齐，Add算子其他轴均是1。
- BatchMatMul：Add是常量、一维或者其他轴长度均为1，最后一个轴长度与cout对齐。
- MatMul+BN融合：
- MatMul算子要满足如下条件，并且第二个Reshape算子输出的shape和MatMul输出Tensor shape要一致，示例如图1所示。
- 不带biasadd，format为NHWC，shape不固定
- 不带biasadd，format为NCHW，shape不固定
- 不带biasadd，format为NHWC，shape固定
- 不带biasadd，format为NCHW，shape固定
- 带biasadd，format为NHWC，shape不固定
- 带biasadd，format为NCHW，shape不固定
- 带biasadd，format为NHWC，shape固定
- 带biasadd，format为NCHW，shape固定
- BN支持融合的算子类型为FusedBatchNorm, FusedBatchNormV2 和FusedBatchNormV3。
- MatMul算子要满足如下条件，并且第二个Reshape算子输出的shape和MatMul输出Tensor shape要一致，示例如图1所示。
- BN小算子融合为FusedBatchNormV3大算子：仅训练后量化支持，并且只有Conv+BN或者Conv+BiasAdd+BN结构才会触发BN小算子融合为大算子，若TensorFlow版本为1.15.0，则只支持BN小算子输入为4维的场景；若TensorFlow版本为2.6.3，则支持BN小算子输入为4维、5维的场景，并且5维场景下上述结构中的Conv算子必须为Conv3D。
AMCT对tf.keras.layers.BatchNormalization产生的小算子结构的BN进行匹配，并且将匹配到的小算子BN结构替换为大算子的BN结构，具体支持的小算子BN结构的场景如下所示：
- tf.keras.layers.BatchNormalization接口满足：入参fused=False，调用参数inputs, training=False，融合前后网络结构图为：
- tf.keras.layers.BatchNormalization接口满足：入参fused=False, center=False，调用参数inputs, training=False，融合前后网络结构图为：
- tf.keras.layers.BatchNormalization接口满足：入参fused=False, scale=False，调用参数inputs, training=False，融合前后网络结构图为：
- tf.keras.layers.BatchNormalization接口满足：入参fused=False, scale=False, center=False，调用参数inputs, training=False，融合前后网络结构图为：
- tf.keras.layers.BatchNormalization接口满足：入参fused=False，调用参数inputs, training=False，融合前后网络结构图为：
