save_model
功能说明
训练后量化接口，将quantize_model接口返回的模型，插入AscendQuant、AscendDequant等算子，然后保存为最终量化模型。
约束说明
传入的模型需要先经过1个batch的推理获得正确的量化因子，如果没有经过推理，直接保存为air，则保存出来的量化因子不正确。
函数原型
save_model(file_name, network, *input_data)
参数说明
参数名 |
输入/返回值 |
含义 |
使用限制 |
|---|---|---|---|
file_name |
输入 |
待生成的air文件的路径和名字。 |
数据类型：string |
network |
输入 |
通过quantize_model接口生成的量化后的模型。 |
数据类型：MindSpore的Cell对象 |
input_data |
输入 |
用户网络输入数据（仅要求数据的format和shape正确，数据本身可以是随机生成的）。 |
数据类型：可以转化为MindSpore Tensor的对象，比如numpy.ndarray对象。 该参数为可变参数，支持用户网络有多个输入的情况。 |
返回值说明
无。
函数输出
可以在昇腾AI处理器做推理的air模型文件。重新执行量化时，该接口输出的上述文件将会被覆盖。
如下图所示，部署模型的AscendQuant层将Float32的输入数据量化为INT8，作为卷积层的输入，权重也是使用INT8数据类型作为计算，在部署模型中的卷积层的计算是基于INT8，INT32数据类型的，输出为INT32数据类型经过AscendDequant层转换成Float32数据类型转输给下一个网络层。
图1 可部署模型
调用示例
import amct_mindspore as amct
input_data = np.random.uniform(0.0, 1.0, size=[32, 1, 32, 32]).astype(np.float32)
amct.save_model('lenet_geir', calibration_network, input_data)
父主题： 训练后量化
