在前文的模型量化编译-总览 和 PyTorch 模型量化简介 章节中，我们已经对 PyTorch 模型量化的链路做了整体的一些概要介绍。 接下来，本章将进一步结合实际使用流程，为您介绍 PyTorch 模型量化从浮点模型改造、QConfig 配置、Prepare、Calibration，到 QAT、导出、定点化、编译和最终验证的完整主线。

如果您希望先体验一次最小闭环，我们建议您优先阅读 PyTorch 模型快速上手 章节。 如果您希望进一步体验部署侧基础示例，也可参考 OE 包 samples/ai_toolchain/horizon_model_train_sample/plugin_basic 路径下我们提供的基础示例。

PyTorch 模型量化整体过程如下图所示：

#阶段说明

整体PyTorch模型详细的量化流程关键步骤包括：浮点模型改造、Prepare（含 QConfig 配置）、Calibration、QAT训练、Export/Convert、Compile 以及 quantized.bc / hbm 精度验证几个阶段， 为了方便您在实际使用时快速定位当前所处阶段、需要重点检查的内容，以及出现问题后该继续看哪里，我们整理了下表供参考：

阶段	输入	主要输出 / 产物	是否必选	重点检查	不满足需求时建议查看
浮点模型改造	float model	可量化的 float model	是	QuantStub / DeQuantStub 是否插入合理，前后处理边界是否清晰，模型是否具备量化友好性	参考 构建浮点模型
Prepare	float model + 平台策略 + example inputs	伪量化模型，以及 model_check_result.txt、fx_graph.txt、qconfig_dtypes.pt、qconfig_dtypes.pt.py、qconfig_changelogs.txt	是	模型检查结果、图结构、量化配置变更记录是否符合预期	参考 Prepare 说明、构建 QConfig 和 调试产物解读 章节
Calibration	calib model + calibration data	带量化参数的 model	必选	Calibration 精度是否可接受，与浮点基线差距是否合理，校准数据是否能代表真实输入分布	若结果可接受，可直接进入导出与编译。若结果不满足需求，参考 平台差异说明 章节与 精度调优指导 章节
QAT 训练	calib model + training data	qat model / checkpoint	条件必选	QAT 后精度是否提升，训练过程是否稳定	参考 量化感知训练 与 精度调优指导 章节
Export / Convert	calib model / qat model	qat.bc / quantized.bc	是	quantized.bc 精度是否达标，导出结果是否与预期一致	参考 定点模型转换 和 部署一致性分析说明 章节
Compile	quantized.bc	hbm	是	性能、输入输出形式、部署约束是否符合预期	参考 模型编译及性能评测 和 板端评测 等章节
最终验证	quantized.bc / hbm	可部署模型	是	定点模型精度、板端结果和部署一致性是否满足要求	参考 部署一致性分析说明、调试产物解读 和 板端评测 等章节

#使用建议

结合实际项目经验，我们建议您按如下方式理解和使用这条链路：

1. 如果当前目标是先验证模型是否能顺利量化、导出、编译并完成基础精度检查，建议您先重点完成 浮点模型改造 -> QConfig -> Prepare -> Calibration 这条最小闭环。

2. 如果 Calibration 结果已经满足需求，您可以不继续进入 QAT，而是直接阅读 定点模型转换 和 模型编译及性能评测 继续后续流程。

3. 如果 Calibration 结果不满足需求，建议您先结合 平台差异说明、精度调优指导 和 调试产物解读 判断问题主要来自量化配置、数据分布、模型结构还是局部算子，再决定是否进入 QAT。

4. 如果 QAT 后精度仍异常，建议您优先阅读 精度调优指导 章节进行精度调优。

5. 如果 qat.bc / quantized.bc / hbm 结果与预期不一致，建议您优先阅读 部署一致性分析说明 做进一步定位。

6. 无论走到哪一步，最终判断是否可上线时，都应以 quantized.bc / hbm 的精度、性能和部署结果为准，而不是只看 calib model 或 qat model。

后续章节中，我们将分别对浮点模型改造、QConfig 配置、Prepare、Calibration、QAT 训练、定点模型转换和模型编译评测进行详细说明。