Add dygrah quant api doc (#648)

docs/zh_cn/api_cn/dygraph/index.rst

@@ -11,3 +11,4 @@
 
    pruners/index.rst
    ofa/index.rst
+   quanter/index.rst

docs/zh_cn/api_cn/dygraph/quanter/qat.rst

+QAT
+==================
+
+.. py:class:: paddleslim.QAT(config=None, weight_preprocess=None, act_preprocess=None, weight_quantize=None, act_quantize=None)
+
+`源代码 <https://github.com/PaddlePaddle/PaddleSlim/blob/develop/paddleslim/dygraph/quant/quanter.py>`_
+
+使用量化训练方法（Quant Aware Training, QAT）得到模拟量化模型，在需要量化的算子前插入模拟量化节点，为其激活和权重输入提前执行`量化-反量化`逻辑。
+
+
+**参数：**
+
+- **config(dict, Optional)** - 量化配置表。 默认为None，表示使用默认配置, 默认配置参考下方文档。
+
+- **weight_preprocess(class, Optional)** - 自定义在对权重做量化之前，对权重进行处理的逻辑。这一接口只用于实验不同量化方法，验证量化训练效果。默认为None, 表示不对权重做任何预处理。
+
+- **act_preprocess(class, Optional)** - 自定义在对激活值做量化之前，对激活值进行处理的逻辑。这一接口只用于实验不同量化方法，验证量化训练效果。默认为None, 表示不对激活值做任何预处理。
+
+- **weight_quantize(class, Optional)** - 自定义对权重量化的方法。这一接口只用于实验不同量化方法，验证量化训练效果。默认为None, 表示使用默认量化方法。
+
+- **act_quantize(class, Optional)** - 自定义对激活值量化的方法。这一接口只用于实验不同量化方法，验证量化训练效果。默认为None, 表示使用默认量化方法。
+
+
+**返回：** 量化训练器实例。
+
+**示例代码：**
+
+.. code-block:: python
+
+   from paddleslim import QAT
+   quanter = QAT()
+..
+
+
+量化训练方法的参数配置
+
+.. code-block:: python
+
+{
+    # weight预处理方法，默认为None，代表不进行预处理；当需要使用`PACT`方法时设置为`"PACT"`
+    'weight_preprocess_type': None,
+
+    # activation预处理方法，默认为None，代表不进行预处理`
+    'activation_preprocess_type': None,
+
+    # weight量化方法, 默认为'channel_wise_abs_max', 此外还支持'channel_wise_abs_max'
+    'weight_quantize_type': 'channel_wise_abs_max',
+
+    # activation量化方法, 默认为'moving_average_abs_max', 此外还支持'abs_max'
+    'activation_quantize_type': 'moving_average_abs_max',
+
+    # weight量化比特数, 默认为 8
+    'weight_bits': 8,
+
+    # activation量化比特数, 默认为 8
+    'activation_bits': 8,
+
+    # 'moving_average_abs_max'的滑动平均超参, 默认为0.9
+    'moving_rate': 0.9,
+
+    # 需要量化的算子类型
+    'quantizable_layer_type': ['Conv2D', 'Linear'],
+}
+..
+
+ 
+   .. py:method:: quantize(model)
+
+   inplace地对模型进行量化训练前的处理，插入量化-反量化节点。
+   
+   **参数：**
+   
+   - **model(paddle.nn.Layer)** - 一个paddle Layer的实例，需要包含支持量化的算子，如：`Conv, Linear`
+   
+   
+   **示例：**
+   
+
+   .. code-block:: python
+
+      from paddle.vision.models import mobilenet_v1
+      from paddleslim import QAT
+      net = mobilenet_v1(pretrained=False) 
+      quant_config = {
+          'activation_preprocess_type': 'PACT',
+          'quantizable_layer_type': ['Conv2D', 'Linear'],
+      }
+      quanter = QAT(config=quant_config)
+      quanter.quantize(lenet)
+      paddle.summary(net, (1, 3, 224, 224))
+   
+   ..  
+
+   .. py:method:: save_quantized_model(model, path, input_spec=None)
+
+   将指定的动态图量化模型导出为静态图预测模型，用于预测部署。
+   
+   **参数：**
+   
+   - **model(paddle.nn.Layer)** - 量化训练结束，需要导出的量化模型，该模型由`quantize`接口产出。
+   
+   - **path(str)** - 导出的量化预测模型保存的路径，导出后在该路径下可以找到`model`和`params`文件。
+   
+   - **input_spec(list[InputSpec|Tensor], Optional)** - 描述存储模型forward方法的输入，可以通过InputSpec或者示例Tensor进行描述。如果为 None ，所有原 Layer forward方法的输入变量将都会被配置为存储模型的输入变量。默认为 None。
+   
+   
+   **示例：**
+   
+
+   .. code-block:: python
+
+      from paddle.vision.models import mobilenet_v1
+      from paddleslim import QAT
+      net = mobilenet_v1(pretrained=False) 
+      quant_config = {
+          'activation_preprocess_type': 'PACT',
+          'quantizable_layer_type': ['Conv2D', 'Linear'],
+      }
+      quanter = QAT(config=quant_config)
+      quanter.quantize(lenet)
+      paddle.summary(net, (1, 3, 224, 224))
+
+      quanter.save_quantized_model(
+          net,
+          './quant_model',
+          input_spec=[paddle.static.InputSpec(shape=[None, 3, 224, 224], dtype='float32')])
+
+   ..
+