[tipc]add pact about (#5480)

* add pact about

* fix doc

* fix comments

* add ptq aware

* fix

* add benchmark.png

* fix png and ptq

* fix tipc

tutorials/mobilenetv3_prod/Step6/deploy/ptq_python/post_quant.py

@@ -18,12 +18,10 @@ from __future__ import print_function
 import argparse
 import os
 import sys
+sys.path.insert(0, ".")
 import numpy as np
 from PIL import Image
 
-sys.path[0] = os.path.join(
-    os.path.dirname("__file__"), os.path.pardir, os.path.pardir)
-
 import paddle
 import paddlevision
 from presets import ClassificationPresetEval
@@ -62,6 +60,8 @@ def main():
         params_filename=FLAGS.params_filename,
         batch_size=FLAGS.batch_size,
         batch_nums=FLAGS.batch_num,
+        save_model_filename=FLAGS.save_model_filename,
+        save_params_filename=FLAGS.params_filename',
         algo=FLAGS.algo,
         hist_percent=FLAGS.hist_percent)
 
@@ -74,13 +74,23 @@ if __name__ == '__main__':
     parser.add_argument(
         "--model_filename",
         type=str,
-        default=None,
+        default='inference.pdmodel',
         help="Inference model model_filename")
     parser.add_argument(
         "--params_filename",
         type=str,
-        default=None,
+        default='inference.pdiparams',
         help="Inference model params_filename")
+    parser.add_argument(
+        "--save_model_filename",
+        type=str,
+        default='inference.pdmodel',
+        help="The saved inference model model_filename")
+    parser.add_argument(
+        "--save_params_filename",
+        type=str,
+        default='inference.pdiparams',
+        help="The saved inference model params_filename")
     parser.add_argument(
         "--output_dir", type=str, default='output', help="save dir")
     parser.add_argument(

tutorials/mobilenetv3_prod/Step6/test_tipc/README.md

@@ -18,7 +18,8 @@
 | 算法论文 | 模型名称 | 模型类型 | 基础<br>训练预测 | 更多<br>训练方式 | 模型压缩 |  其他预测部署  |
 | :--- | :--- |  :----:  | :--------: |  :----  |   :----  |   :----  |
 | MobileNetV3     | mobilenet_v3_small |  分类  | 支持 | 混合精度<br> | - | - |
-
+| MobileNetV3     | mobilenet_v3_small |  分类  | 支持 | - | PACT量化训练<br> | - |
+| MobileNetV3     | mobilenet_v3_small |  分类  | 支持 | - | 离线量化训练<br> | - |
 
 ## 3. 测试工具简介
 
@@ -68,9 +69,9 @@ test_tipc
     - [XPU 部署测试]
     - [OpenCL ARM GPU 部署测试]
 
-- Slim训练部署测试（coming soon）：
-    - [Linux GPU/CPU PACT量化训练测试]
-    - [Linux GPU/CPU 离线量化测试]
+- Slim训练部署测试：
+    - [Linux GPU/CPU PACT量化训练测试](./docs/test_train_pact_inference_python.md)
+    - [Linux GPU/CPU 离线量化测试](./docs/test_train_ptq_inference_python.md)
 
 - 更多训练环境测试（coming soon）：
     - [Linux XPU2 基础训练推理测试]

tutorials/mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt

+===========================train_params===========================
+model_name:mobilenet_v3_small
+python:python3.7
+gpu_list:0|0,1
+use-gpu:True|True
+--epochs:lite_train_lite_infer=5|whole_train_whole_infer=90
+--output-dir:./output/
+--batch-size:lite_train_lite_infer=4|whole_train_whole_infer=128
+--pretrained:null
+train_model_name:latest.pdparams
+--data-path:./lite_data
+##
+trainer:pact_train
+pact_train:train.py --pact_quant
+##
+===========================eval_params===========================
+eval:train.py --test-only
+##
+===========================infer_params===========================
+--save-inference-dir:./output/mobilenet_v3_small_infer/
+--pretrained:
+norm_export:tools/export_model.py --model=mobilenet_v3_small
+##
+train_model:./pretrain_models/mobilenet_v3_small_pretrained.pdparams
+infer_export:tools/export_model.py --model=mobilenet_v3_small
+##
+inference:deploy/inference_python/infer.py
+--use-gpu:True|False
+--batch-size:1
+--model-dir:./output/mobilenet_v3_small_infer/
+--img-path:./images/demo.jpg
+--benchmark:True
\ No newline at end of file

tutorials/mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_ptq_infer_python.txt

+===========================ptq_params===========================
+model_name:mobilenet_v3_small
+python:python3.7
+--use_gpu:True
+--model_path:mobilenet_v3_small_infer/
+--output_dir:./mobilenet_v3_small_infer_ptq/
+--data_dir:./test_images/lite_data/
+--batch_num:2
+--batch_size:2
+##
+trainer:ptq_train
+ptq_train:deploy/ptq_python/post_quant.py
+##
+===========================infer_params===========================
+inference:deploy/inference_python/infer.py
+--use-gpu:True|False
+--batch-size:1
+--model-dir:./mobilenet_v3_small_infer_ptq/
+--img-path:./images/demo.jpg
+--benchmark:True

tutorials/mobilenetv3_prod/Step6/test_tipc/docs/test_train_pact_inference_python.md

+# Linux GPU/CPU PACT量化训练推理测试
+
+Linux GPU/CPU PACT量化训练推理测试的主程序为`test_train_inference_python.sh`，可以测试基于Python的模型训练、评估、推理等基本功能。
+
+## 1. 测试结论汇总
+
+- 训练相关：
+
+| 算法名称 | 模型名称 | 单机单卡 | 单机多卡 |
+|  :----: |   :----:  |    :----:  |  :----:   |
+|  MobileNetV3  | mobilenet_v3_small | PACT量化训练 | PACT量化训练 |
+
+
+- 推理相关：
+
+| 算法名称 | 模型名称 | device_CPU | device_GPU | batchsize |
+|  :----:   |  :----: |   :----:   |  :----:  |   :----:   |
+|  MobileNetV3   |  mobilenet_v3_small |  支持 | 支持 | 1 |
+
+
+## 2. 测试流程
+
+### 2.1 准备数据
+
+用于量化训练推理测试的数据位于`test_images/lite_data.tar`，直接解压即可（如果已经解压完成，则无需运行下面的命令）。
+
+```bash
+tar -xf test_images/lite_data.tar
+```
+
+### 2.2 准备环境
+
+
+- 安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。
+    ```
+    # 需要安装2.2及以上版本的Paddle
+    # 安装GPU版本的Paddle
+    pip3 install paddlepaddle-gpu==2.2.0
+    # 安装CPU版本的Paddle
+    pip3 install paddlepaddle==2.2.0
+    ```
+
+- 安装依赖
+    ```
+    pip3 install  -r requirements.txt
+    ```
+- 安装AutoLog（规范化日志输出工具）
+    ```
+    pip3 install  https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl
+    ```
+
+
+### 2.3 功能测试
+
+以`mobilenet_v3_small`的`Linux GPU/CPU PACT量化训练推理测试`为例，命令如下所示。
+
+```bash
+bash test_tipc/prepare.sh test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt lite_train_lite_infer
+```
+
+```bash
+bash test_tipc/test_train_inference_python.sh test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt lite_train_lite_infer
+```
+
+输出结果如下，表示命令运行成功。
+
+```
+ Run successfully with command - python3.7 train.py --pact_quant --output-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0 --epochs=5   --batch-size=4!
+ ......
+ Run successfully with command - python3.7 train.py --test-only --pretrained=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0/latest.pdparams!
+ ......
+ Run successfully with command - python3.7 tools/export_model.py --model=mobilenet_v3_small --pretrained=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0/latest.pdparams --save-inference-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0!
+ ......
+ Run successfully with command - python3.7 deploy/inference_python/infer.py --use-gpu=True --model-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0 --batch-size=1   --benchmark=True > ./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_gpu_batchsize_1.log 2>&1 !
+ ......
+ Run successfully with command - python3.7 deploy/inference_python/infer.py --use-gpu=True --model-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0,1 --batch-size=1   --benchmark=True > ./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_gpu_batchsize_1.log 2>&1
+ ......
+ Run successfully with command - python3.7 deploy/inference_python/infer.py --use-gpu=False --model-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0,1 --batch-size=1   --benchmark=True > ./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_cpu_batchsize_1.log 2>&1
+```
+
+在开启benchmark参数时，可以得到测试的详细数据，包含运行环境信息（系统版本、CUDA版本、CUDNN版本、驱动版本），Paddle版本信息，参数设置信息（运行设备、线程数、是否开启内存优化等），模型信息（模型名称、精度），数据信息（batchsize、是否为动态shape等），性能信息（CPU,GPU的占用、运行耗时、预处理耗时、推理耗时、后处理耗时），如下图所示
+
+
+<div align="center">
+    <img src="../../images/pact_train_infer_benchmark.png">
+</div>
+
+如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。

tutorials/mobilenetv3_prod/Step6/test_tipc/docs/test_train_ptq_inference_python.md

+# Linux GPU/CPU PACT离线量化训练推理测试
+
+Linux GPU/CPU PACT离线量化训练推理测试的主程序为`test_train_inference_python.sh`，可以测试基于Python的模型训练、评估、推理等基本功能。
+
+## 1. 测试结论汇总
+
+- 训练相关：
+
+| 算法名称 | 模型名称 | 单机单卡 | 
+|  :----: |   :----:  |    :----:  |  
+|  MobileNetV3  | mobilenet_v3_small | PACT离线量化训练 | 
+
+
+- 推理相关：
+
+| 算法名称 | 模型名称 | device_CPU | device_GPU | batchsize |
+|  :----:   |  :----: |   :----:   |  :----:  |   :----:   |
+|  MobileNetV3   |  mobilenet_v3_small |  支持 | 支持 | 1 |
+
+
+## 2. 测试流程
+
+### 2.1 准备数据和模型
+
+用于量化训练推理测试的数据位于`test_images/lite_data.tar`，直接解压即可（如果已经解压完成，则无需运行下面的命令）。
+
+```bash
+tar -xf test_images/lite_data.tar
+```
+
+准备离线量化需要的inference模型，以MobileNetV3为例，可以直接下载：
+```bash 
+wget https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/mobilenet_v3_small_infer.tar
+tar -xf mobilenet_v3_small_infer.tar
+```
+
+离线量化的训练流程，可参考[文档](../../deploy/ptq_python/README.md)。
+
+### 2.2 准备环境
+
+
+- 安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。
+    ```
+    # 需要安装2.2及以上版本的Paddle
+    # 安装GPU版本的Paddle
+    pip3 install paddlepaddle-gpu==2.2.0
+    # 安装CPU版本的Paddle
+    pip3 install paddlepaddle==2.2.0
+    ```
+- 安装PaddleSlim
+    ```
+    pip3 install paddleslim==2.2.0
+    ```
+- 安装依赖
+    ```
+    pip3 install  -r requirements.txt
+    ```
+- 安装AutoLog（规范化日志输出工具）
+    ```
+    pip3 install  https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl
+    ```
+
+
+### 2.3 功能测试
+
+以`mobilenet_v3_small`的`Linux GPU/CPU PACT离线量化训练推理测试`为例，命令如下所示。
+
+```bash
+bash test_tipc/test_train_ptq_python.sh ./test_tipc/configs/mobilenet_v3_small/train_ptq_infer_python.txt whole_infer
+```
+
+输出结果如下，表示命令运行成功。
+
+```
+ Run successfully with command - python3.7 deploy/ptq_python/post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2 --batch-size=2 --data_dir=./test_images/lite_data/ --output_dir=./mobilenet_v3_small_infer_ptq/!
+ ......
+ Run successfully with command - python3.7 deploy/inference_python/infer.py --use-gpu=True --model-dir=./mobilenet_v3_small_infer_ptq/ --batch-size=1 --img-path=./images/demo.jpg --benchmark=True > ./log/mobilenet_v3_small/whole_infer/python_infer_gpu_batchsize_1.log 2>&1 !
+ ......
+ Run successfully with command - python3.7 deploy/inference_python/infer.py --use-gpu=False --model-dir=./mobilenet_v3_small_infer_ptq/ --batch-size=1 --img-path=./images/demo.jpg --benchmark=True > ./log/mobilenet_v3_small/whole_infer/python_infer_cpu_batchsize_1.log 2>&1 !
+```
+
+
+<div align="center">
+    <img src="../../images/pact_train_infer_benchmark.png">
+</div>
+
+如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。
+
+

tutorials/mobilenetv3_prod/Step6/test_tipc/test_ptq_inference_python.sh

+#!/bin/bash
+source test_tipc/common_func.sh
+
+FILENAME=$1
+# MODE be one of ['lite_train_lite_infer' 'lite_train_whole_infer' 'whole_train_whole_infer', 'whole_infer']
+MODE=$2
+
+dataline=$(awk 'NR==1, NR==32{print}'  $FILENAME)
+
+# parser params
+IFS=$'\n'
+lines=(${dataline})
+
+# The training params
+model_name=$(func_parser_value "${lines[1]}")
+python=$(func_parser_value "${lines[2]}")
+use_gpu_key=$(func_parser_key "${lines[3]}")
+use_gpu_value=$(func_parser_value "${lines[3]}")
+model_path_key=$(func_parser_key "${lines[4]}")
+model_path_value=$(func_parser_value "${lines[4]}")
+output_dir_key=$(func_parser_key "${lines[5]}")
+output_dir_value=$(func_parser_value "${lines[5]}")
+data_dir_key=$(func_parser_key "${lines[6]}")
+data_dir_value=$(func_parser_value "${lines[6]}")
+batch_num_key=$(func_parser_key "${lines[7]}")
+batch_num_value=$(func_parser_value "${lines[7]}")
+batch_size_key=$(func_parser_key "${lines[8]}")
+batch_size_value=$(func_parser_value "${lines[8]}")
+
+# parser trainer
+train_py=$(func_parser_value "${lines[11]}")
+
+# parser inference 
+inference_py=$(func_parser_value "${lines[14]}")
+use_gpu_key=$(func_parser_key "${lines[15]}")
+use_gpu_list=$(func_parser_value "${lines[15]}")
+batch_size_key=$(func_parser_key "${lines[16]}")
+batch_size_list=$(func_parser_value "${lines[16]}")
+infer_model_key=$(func_parser_key "${lines[17]}")
+image_dir_key=$(func_parser_key "${lines[18]}")
+infer_img_dir=$(func_parser_value "${lines[18]}")
+benchmark_key=$(func_parser_key "${lines[19]}")
+benchmark_value=$(func_parser_value "${lines[19]}")
+
+
+function func_inference(){
+    IFS='|'
+    _python=$1
+    _script=$2
+    _model_dir=$3
+    _log_path=$4
+    _img_dir=$5
+    # inference
+    for use_gpu in ${use_gpu_list[*]}; do
+        # cpu
+        if [ ${use_gpu} = "False" ] || [ ${use_gpu} = "cpu" ]; then
+            for batch_size in ${batch_size_list[*]}; do
+                _save_log_path="${_log_path}/python_infer_cpu_batchsize_${batch_size}.log"
+                set_infer_data=$(func_set_params "${image_dir_key}" "${_img_dir}")
+                set_benchmark=$(func_set_params "${benchmark_key}" "${benchmark_value}")
+                set_batchsize=$(func_set_params "${batch_size_key}" "${batch_size}")
+                set_model_dir=$(func_set_params "${infer_model_key}" "${_model_dir}")
+                command="${_python} ${_script} ${use_gpu_key}=${use_gpu} ${set_model_dir} ${set_batchsize} ${set_infer_data} ${set_benchmark} > ${_save_log_path} 2>&1 "
+                echo $command
+                eval $command
+                last_status=${PIPESTATUS[0]}
+                eval "cat ${_save_log_path}"
+                status_check $last_status "${command}" "${status_log}"
+            done
+        # gpu        
+        elif [ ${use_gpu} = "True" ] || [ ${use_gpu} = "gpu" ]; then
+            for batch_size in ${batch_size_list[*]}; do
+                _save_log_path="${_log_path}/python_infer_gpu_batchsize_${batch_size}.log"
+                set_infer_data=$(func_set_params "${image_dir_key}" "${_img_dir}")
+                set_benchmark=$(func_set_params "${benchmark_key}" "${benchmark_value}")
+                set_batchsize=$(func_set_params "${batch_size_key}" "${batch_size}")
+                set_model_dir=$(func_set_params "${infer_model_key}" "${_model_dir}")
+                command="${_python} ${_script} ${use_gpu_key}=${use_gpu} ${set_model_dir} ${set_batchsize} ${set_infer_data} ${set_benchmark} > ${_save_log_path} 2>&1 "               
+                echo $command
+                eval $command
+                last_status=${PIPESTATUS[0]}
+                eval "cat ${_save_log_path}"
+                status_check $last_status "${command}" "${status_log}"   
+            done      
+        else
+            echo "Does not support hardware other than CPU and GPU Currently!"
+        fi
+    done
+}
+
+# log
+LOG_PATH="./log/${model_name}/${MODE}"
+mkdir -p ${LOG_PATH}
+status_log="${LOG_PATH}/results_python.log"
+
+if [ ${MODE} = "whole_infer" ]; then
+    IFS="|"
+    # run export
+    set_output_dir=$(func_set_params "${output_dir_key}" "${output_dir_value}")
+    set_data_dir=$(func_set_params "${data_dir_key}" "${data_dir_value}")
+    set_batch_size=$(func_set_params "${batch_size_key}" "${batch_size_value}")
+    set_batch_num=$(func_set_params "${batch_num_key}" "${batch_num_value}")
+    set_model_path=$(func_set_params "${model_path_key}" "${model_path_value}")
+    set_use_gpu=$(func_set_params "${use_gpu_key}" "${use_gpu_value}")
+    
+    export_cmd="${python} ${train_py} ${set_use_gpu} ${set_model_path} ${set_batch_num} ${set_batch_size} ${set_data_dir} ${set_output_dir}"
+    echo $export_cmd
+    # eval $export_cmd
+    status_export=$?
+    status_check $status_export "${export_cmd}" "${status_log}"
+    
+    save_infer_dir=${output_dir_value}
+    #run inference
+    func_inference "${python}" "${inference_py}" "${save_infer_dir}" "${LOG_PATH}" "${infer_img_dir}"
+
+fi
\ No newline at end of file

tutorials/tipc/ptq_infer_python/README.md

@@ -55,4 +55,41 @@ Linux GPU/CPU 离线量化开发过程可以分为下面5个步骤。
 
 # 3. Linux GPU/CPU 离线量化测试开发与规范
 
-coming soon!
+## 3.1 开发流程
+
+
+量化训练推理测试开发的流程如下所示：
+<div align="center">
+    <img src="../images/test_ptq_pact_train_infer.png" width="800">
+</div>
+
+更多的介绍可以参考：[Linux GPU/CPU PACT离线量化训练推理测试开发规范](./test_ptq_infer_python.md)。
+
+
+### 3.2 核验点
+
+#### 3.2.1 目录结构
+
+如果您已经完成了[基础训练推理功能开发](../train_infer_python/README.md)，那么只需要在原`test_tipc`目录的基础上，增加PACT量化训练推理测试的配置文件和使用说明文档。
+否则，需要在repo根目录下面新建`test_tipc`文件夹，目录结构如下所示。
+
+```
+test_tipc
+    |--configs                                  # 配置目录
+    |    |--model_name                          # 您的模型名称
+    |           |--train_infer_python.txt       # 基础训练推理测试配置文件
+    |           |--train_ptq_infer_python.txt   # 离线量化训练推理测试配置文件
+    |--docs                                     # 文档目录
+    |   |--test_train_inference_python.md       # 基础训练推理测试说明文档
+    |   |--test_train_pact_ptq_inference_python.md  # 离线量化训练推理测试说明文档
+    |----README.md                              # TIPC说明文档
+    |----test_train_inference_python.sh         # TIPC基础训练、PACT量化训练推理测试解析脚本，无需改动
+    |----test_ptq_inference_python.sh           # TIPC离线量化训练、推理测试解析脚本
+    |----common_func.sh                         # TIPC基础训练、PACT量化训练推理测试常用函数，无需改动
+```
+
+#### 3.2.2 配置文件和测试文档
+
+* `test_tipc/README.md` 文档中对该模型支持的的功能进行总体介绍。
+* `test_tipc/docs/test_train_ptq_inference_python.md` 文档中对**Linux GPU/CPU 离线量化训练推理**的功能支持情况进行介绍。
+* 根据测试文档，基于配置文件，跑通训练推理全流程测试。
\ No newline at end of file

tutorials/tipc/ptq_infer_python/test_ptq_infer_python.md

@@ -3,5 +3,318 @@
 # 目录
 
 - [1. 简介](#1)
-- [2. 测试流程](#2)
-- [3. FAQ](#3)
+- [2. 命令与配置文件解析](#2)
+    - [2.1 命令解析](#2.1)
+    - [2.2 配置文件和运行命令映射解析](#2.2)
+- [3. 基本训练推理功能测试开发](#3)
+    - [2.1 准备待测试的命令](#3.1)
+    - [2.2 准备数据与环境](#3.2)
+    - [2.3 准备开发所需脚本](#3.3)
+    - [2.4 填写配置文件](#3.4)
+    - [2.5 验证配置正确性](#3.5)
+    - [2.6 撰写说明文档](#3.6)
+- [4. FAQ](#4)
+
+<a name="1"></a>
+
+## 1. 简介
+
+本文档主要关注Linux GPU/CPU 下模型的离线量化训练推理全流程功能测试，具体测试点如下：
+
+- 模型训练：单机单卡训练跑通
+- 模型推理：推理过程跑通
+
+为了一键跑通上述所有功能，本文档提供了`训推一体全流程`功能自动化测试工具，它包含3个脚本文件和1个配置文件，分别是：
+
+* `test_ptq_inference_python.sh`: 测试Linux上离线量化训练、推理功能的脚本，会对`train_ptq_infer_python.txt`进行解析，得到具体的执行命令。**该脚本无需修改**。
+* `prepare.sh`: 准备测试需要的数据或需要的预训练模型。
+* `common_func.sh`: 在配置文件一些通用的函数，如配置文件的解析函数等，**该脚本无需修改**。
+* `train_ptq_infer_python.txt`: 配置文件，其中的内容会被`test_ptq_inference_python.sh`解析成具体的执行命令字段。
+
+<a name="2"></a>
+
+## 2. 命令与配置文件解析
+
+<a name="2.1"></a>
+
+### 2.1 命令解析
+
+模型训练、动转静、推理过程的运行命令差别很大，但是都可以拆解为3个部分：
+
+```
+python  run_script   set_configs
+```
+
+例如：
+
+* 对于通过配置文件传参的场景来说，`python3.7 post_quant.py --use-gpu=True  --batch_num=2 `
+    * `python`部分为`python3.7`
+    * `run_script`部分为` post_quant.py`
+    * `set_configs`部分为`--use-gpu=True  --batch_num=2`
+* 对于通过argparse传参的场景来说，`python3.7 post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2`
+    * `python`部分为`python3.7`
+    * `run_script`部分为`post_quant.py`
+    * `set_configs`部分为`--model_path=mobilenet_v3_small_infer/`
+
+其中，可修改参数`set_configs`一般通过`=`进行分隔，`=`前面的内容可以认为是key，后面的内容可以认为是value，那么通过给定配置文件模板，解析配置，得到其中的key和value，结合`python`和`run_script`，便可以组合出一条完整的命令。
+
+<a name="2.2"></a>
+
+### 2.2 配置文件和运行命令映射解析
+
+完整的`train_ptq_infer_python.txt`配置文件共有20行，包含3个方面的内容。
+
+* 训练参数：第1~10行
+* 训练脚本配置：第11~12行
+* 模型Inference推理：第15~20行
+
+具体内容见[train_ptq_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_ptq_infer_python.txt)。
+
+配置文件中主要有以下3种类型的字段。
+
+* 一行内容以冒号为分隔符：该行可以被解析为`key:value`的格式，需要根据实际的含义修改该行内容，下面进行详细说明。
+* 一行内容为`======xxxxx=====`：该行内容为注释信息，无需修改。
+* 一行内容为`##`：该行内容表示段落分隔符，没有实际意义，无需修改。
+
+#### 2.2.1 训练配置参数
+
+在配置文件中，可以通过下面的方式配置一些常用的超参数，如：是否使用GPU、迭代轮数、batch-size、预训练模型路径等，下面给出了常用的训练配置以及需要修改的内容。
+
+<details>
+<summary><b>训练配置参数（点击以展开详细内容或者折叠）
+</b></summary>
+
+
+| 行号 | 参考内容                                | 含义            | key是否需要修改 | value是否需要修改 | 修改内容                             |
+|----|-------------------------------------|---------------|-----------|-------------|----------------------------------|
+| 2  | model_name:mobilenet_v3_small       | 模型名字          | 否         | 是           | value修改为自己的模型名字                  |
+| 3  | python:python3.7                    | python环境      | 否         | 是           | value修改为自己的python环境              |
+| 4  | --use-gpu:True                      | 是否使用GPU       | 是         | 是           | key修改为设置GPU的内容，value修改为设置GPU的值         |
+| 5  | --model_path:mobilenet_v3_small_infer/| 输出目录          | 是         | 否           | key修改为代码中设置模型路径的内容             |
+| 6  | --output_dir:./mobilenet_v3_small_infer_ptq/ | 输出模型路径 | 是         | 是           | value修改为自定义的模型输出目录                  |
+| 7  | --data_dir:./test_images/lite_data/ | 数据目录      | 是     | 是           | value修改为自己数据集目录            |
+| 8  | --batch_num:2                       | 训练的batch 数量 | 是         | 是       | key修改为代码中设置batch num的内容       |
+| 9  | --batch-size:2 | 训练的batch size | 是         | 是           | key修改为代码中设置batch size的内容       |
+
+
+</details>
+
+以训练命令`python3.7 deploy/ptq_python/post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2 --data_dir=./test_images/lite_data/ --output_dir=./mobilenet_v3_small_infer_ptq/ --batch-size=2`为例，总共包含5个超参数。
+
+* 运行设备：`--use-gpu=True`，则需要修改为配置文件的第4行，`key`为`--use-gpu`， `value`为`True`，修改后内容为`--use-gpu:True`
+* 离线量化模型： `--model_path=mobilenet_v3_small_infer/`，需要改为配置文件的第5行，`key`为`--model_path`， `value`为`mobilenet_v3_small_infer`，修改后内容为`--model_path:mobilenet_v3_small_infer/`，
+* 离线量化输出模型：`--output_dir:./mobilenet_v3_small_infer_ptq/`，需要修改配置文件的第6行，`key`为`--output_dir`，`value`为`./mobilenet_v3_small_infer_ptq/`，
+* 数据路径：`--data-path=test_images/lite_data/`，则需要修改为配置文件的第11行，修改后内容为`--data-path:test_images/lite_data/`
+* 迭代轮数：`--batch_num=2`，则需要修改配置文件的第8行，修改后内容为`--batch_num:2`
+* 数据批次：`--batch_size=2`，则需要修改配置文件的第8行，修改后内容为`--batch_size:2`
+
+#### 2.2.2 训练命令配置参数
+
+下面给出了配置文件中的训练命令配置参数（点击以展开详细内容或者折叠）
+
+<details>
+<summary><b>训练命令配置参数（点击以展开详细内容或者折叠）
+</b></summary>
+
+| 行号 | 参考内容                                        | 含义              | key是否需要修改 | value是否需要修改 |  修改内容                 |
+|----|---------------------------------------------|-----------------|-----------|-------------|-------------------|
+| 11 | trainer:ptq_train                          | 训练方法            | 否         | 否           | -                 |
+| 12 | ptq_train:deploy/ptq_python/post_quant.py  | ptq_train的训练脚本  | 否         | 是           | value可以修改为自己的训练命令 |
+
+</details>
+
+以训练命令`python3.7 deploy/ptq_python/post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2 --batch-size=2 --data_dir=./test_images/lite_data/  --output_dir=./mobilenet_v3_small_infer_ptq/`为例，该命令为离线量化训练（非裁剪、量化、蒸馏等方式），因此
+
+* 配置文件的第11行直接写`ptq_train`即可。
+* 第12行配置`ptq_train`的具体运行脚本/入口，即上述命令中的`deploy/ptq_python/post_quant.py`因此配置文件的14行内容初步可以修改为`ptq_train:deploy/ptq_python/post_quant.py`。
+
+#### 2.2.3 模型推理配置参数
+
+下面给出了配置文件中的模型推理配置参数。
+
+<details>
+<summary><b>模型推理配置参数（点击以展开详细内容或者折叠）</b></summary>
+
+| 行号 | 参考内容             | 含义     | key是否需要修改 | value是否需要修改 | 修改内容        |
+|----|------------------|-----------------|-----------|-------------|-------------|
+| 15 | inference:deploy/inference_python/infer.py         | 推理脚本            | 否         | 是           | value修改为自己的推理脚本                   |
+| 16 | --use-gpu:True|False                                 | 是否使用GPU         | 是         | 是           | key和value修改为GPU设置的参数和值            |
+| 17 | --batch_size:1                                       | 推理batch size    | 是         | 否           | key修改为代码中设置batch size的内容       |
+| 18 | --model-dir:./output/mobilenet_v3_small_infer/   | 推理模型保存路径     | 是         | 否           | key修改为代码中可以设置inference model路径的内容 |
+| 19 | --img-path:./images/demo.jpg                 | 图片路径或者图片文件夹路径   | 是         | 否           | key修改为代码中设置图片路径的内容       |
+| 20 | --benchmark:False                                    | 是否使用benchmark            | 是         | 是           | key和value修改为规范化推理日志输出设置的参数和值      |
+
+
+</details>
+
+以推理命令`python deploy/inference_python/infer.py --model-dir=./mobilenet_v3_small_infer_ptq/ --img-path=./images/demo.jpg`为例。
+
+* 推理的入口脚本为`deploy/inference_python/infer.py`，因此15行需要修改为`inference:deploy/inference_python/infer.py`。
+* Inference模型路径配置在第6行参数中配置，`--output_dir:./mobilenet_v3_small_infer_ptq/`
+* 测试图像路径配置为`--img-path=./images/demo.jpg`，因此19行修改为`--img-path:./images/demo.jpg`
+
+<a name="3"></a>
+
+## 3. 离线PACT量化训练推理功能测试开发
+
+PACT量化训练推理功能测试开发过程主要分为以下6个步骤。
+
+<div align="center">
+    <img src="../images/post_infer_quant_guide.png" width="800">
+</div>
+
+
+其中设置了2个核验点，下面详细介绍开发过程。
+
+<a name="3.1"></a>
+
+### 3.1 准备待测试的命令
+
+**【基本内容】**
+
+准备离线量化训练、模型推理的命令，后续会将这些命令按照[第2节](#2)所述内容，映射到配置文件中。
+
+**【实战】**
+
+MobileNetV3的训练、动转静、推理示例运行命令如下所示。
+
+```bash
+# 模型训练
+python3.7 deploy/ptq_python/post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2 --batch-size=2 --data_dir=./test_images/lite_data/ --output_dir=./mobilenet_v3_small_infer_ptq/ # 模型动转静
+# 推理
+python3.7 deploy/inference_python/infer.py --use-gpu=False --model-dir=./mobilenet_v3_small_infer_ptq/ --batch-size=1 --img-path=./images/demo.jpg --benchmark=True
+```
+
+<a name="3.2"></a>
+
+### 3.2 准备数据与环境
+
+**【基本内容】**
+
+1. 数据集：为方便快速验证训练/评估/推理过程，需要准备一个小数据集（训练集和验证集各8~16张图像即可，压缩后数据大小建议在`20M`以内），放在`lite_data`文件夹下。
+
+    相关文档可以参考[论文复现赛指南3.2章节](../../../docs/lwfx/ArticleReproduction_CV.md)，代码可以参考`基于ImageNet准备小数据集的脚本`：[prepare.py](https://github.com/littletomatodonkey/AlexNet-Prod/blob/tipc/pipeline/Step2/prepare.py)。
+
+2. 环境：安装好PaddlePaddle即可进行离线量化训练推理测试开发
+
+**【注意事项】**
+
+* 为方便管理，建议在上传至github前，首先将lite_data文件夹压缩为tar包，直接上传tar包即可，在测试训练评估与推理过程时，可以首先对数据进行解压。
+    * 压缩命令： `tar -zcf lite_data.tar lite_data`
+    * 解压命令： `tar -xf lite_data.tar`
+
+
+<a name="3.3"></a>
+
+### 3.3 准备开发所需脚本
+
+**【基本内容】**
+
+在repo中新建`test_tipc`目录，将文件 [common_func.sh](../../mobilenetv3_prod/Step6/test_tipc/common_func.sh) ， [prepare.sh](../../mobilenetv3_prod/Step6/test_tipc/prepare.sh) 和 [test_train_inference_python.sh](../../mobilenetv3_prod/Step6/test_tipc/test_train_inference_python.sh) ， [test_ptq_inference_python.sh](../../mobilenetv3_prod/Step6/test_tipc/test_ptq_inference_python.sh)分别拷贝到`test_tipc`目录中。
+
+
+**【注意事项】**
+
+* 上述4个脚本文件无需改动，在实际使用时，直接修改配置文件即可。
+
+<a name="3.4"></a>
+
+### 3.4 填写配置文件
+
+**【基本内容】**
+
+在repo的`test_tipc/`目录中新建`configs/model_name`，将文件 [train_ptq_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_ptq_infer_python.txt) 拷贝到该目录中，其中`model_name`需要修改为您自己的模型名称。
+
+**【实战】**
+
+配置文件的含义解析可以参考 [2.2节配置文件解析](#2.2) 部分。
+
+mobilenet_v3_small的测试开发配置文件可以参考：[train_ptq_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_ptq_infer_python.txt)。
+
+<a name="3.5"></a>
+
+### 3.5 验证配置正确性
+
+**【基本内容】**
+
+基于修改完的配置，运行
+
+```bash
+bash test_tipc/prepare.sh ${your_params_file} whole_infer
+bash test_tipc/test_train_inference_python.sh ${your_params_file} whole_infer
+```
+
+**【注意事项】**
+
+如果运行失败，会输出具体的报错命令，可以根据输出的报错命令排查下配置文件的问题并修改，示例报错如下所示。
+
+```
+Run failed with command - python3.7 deploy/ptq_python/post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2 --batch-size=2 --data_dir=./test_images/lite_data/ --output_dir=./mobilenet_v3_small_infer_ptq/!
+```
+
+**【实战】**
+
+以mobilenet_v3_small的`Linux GPU/CPU 离线量化训练推理功能测试` 为例，命令如下所示。
+
+```bash
+bash test_tipc/test_train_ptq_python.sh ./test_tipc/configs/mobilenet_v3_small/train_ptq_infer_python.txt whole_infer
+```
+
+输出结果如下，表示命令运行成功。
+
+```bash
+ Run successfully with command - python3.7 deploy/ptq_python/post_quant.py --use-gpu=True --model_path=mobilenet_v3_small_infer/ --batch_num=2 --batch-size=2 --data_dir=./test_images/lite_data/ --output_dir=./mobilenet_v3_small_infer_ptq/!
+......
+ Run successfully with command - python3.7 deploy/inference_python/infer.py --use-gpu=True --model-dir=./mobilenet_v3_small_infer_ptq/ --batch-size=1 --img-path=./images/demo.jpg --benchmark=True > ./log/mobilenet_v3_small/whole_infer/python_infer_gpu_batchsize_1.log 2>&1 !
+```
+
+**【核验】**
+
+基于修改后的配置文件，测试通过，全部命令成功
+
+<a name="3.6"></a>
+
+### 3.6 撰写说明文档
+
+**【基本内容】**
+
+撰写TIPC功能总览和测试流程说明文档，分别为
+
+1. TIPC功能总览文档：test_tipc/README.md
+2. Linux GPU/CPU 离线量化训练推理功能测试说明文档：test_tipc/docs/test_ptq_train_infer_python.md
+
+2个文档模板分别位于下述位置，可以直接拷贝到自己的repo中，根据自己的模型进行修改。
+
+1. [README.md](../../mobilenetv3_prod/Step6/test_tipc/README.md)
+2. [test_train_ptq_inference_python.md](../../mobilenetv3_prod/Step6/test_tipc/docs/test_train_ptq_inference_python.md)
+
+**【实战】**
+
+mobilenet_v3_small中`test_tipc`文档如下所示。
+
+1. TIPC功能总览文档：[README.md](../../mobilenetv3_prod/Step6/test_tipc/README.md)
+2. Linux GPU/CPU PACT量化训练推理测试说明文档：[test_train_ptq_inference_python.md](../../mobilenetv3_prod/Step6/test_tipc/docs/test_train_ptq_inference_python.md)
+
+**【核验】**
+
+repo中最终目录结构如下所示。
+
+```
+test_tipc
+    |--configs                                  # 配置目录
+    |    |--model_name                          # 您的模型名称
+    |           |--train_ptq_infer_python.txt   # 离线量化训练推理测试配置文件
+    |--docs                                     # 文档目录
+    |   |--test_train_ptq_inference_python.md   # 离线量化训练推理测试说明文档
+    |----README.md                              # TIPC说明文档
+    |----prepare.sh                             # TIPC离线量化训练推理测试数据准备脚本
+    |----test_train_inference_python.sh         # TIPC离线量化训练推理测试解析脚本，无需改动
+    |----test_ptq_inference_python.sh         # TIPC离线量化训练推理测试解析脚本，无需改动
+    |----common_func.sh                         # TIPC离线量化训练推理测试常用函数，无需改动
+```
+
+基于`test_train_ptq_inference_python.md`文档，跑通`Linux GPU/CPU 离线量化训练推理功能测试`流程。
+
+<a name="4"></a>
+
+## 4. FAQ

tutorials/tipc/train_pact_infer_python/README.md

@@ -38,7 +38,7 @@ Linux GPU/CPU PACT量化训练功能开发过程可以分为下面5个步骤。
 </div>
 
 
-更多的介绍可以参考：[Linux GPU/CPU PACT量化训练功能开发文档](././train_pact_infer_python.md)。
+更多的介绍可以参考：[Linux GPU/CPU PACT量化训练功能开发文档](./train_pact_infer_python.md)。
 
 <a name="2.2"></a>
 
@@ -56,4 +56,42 @@ Linux GPU/CPU PACT量化训练功能开发过程可以分为下面5个步骤。
 
 # 3. Linux GPU/CPU PACT量化训练测试开发与规范
 
-coming soon!
+## 3.1 开发流程
+
+
+量化训练推理测试开发的流程如下所示：
+<div align="center">
+    <img src="../images/test_ptq_pact_train_infer.png" width="800">
+</div>
+
+更多的介绍可以参考：[Linux GPU/CPU PACT量化训练推理测试开发规范](./test_train_pact_infer_python.md)。
+
+
+### 3.2 核验点
+
+#### 3.2.1 目录结构
+
+如果您已经完成了[基础训练推理功能开发](../train_infer_python/README.md)，那么只需要在原`test_tipc`目录的基础上，增加PACT量化训练推理测试的配置文件和使用说明文档。
+否则，需要在repo根目录下面新建`test_tipc`文件夹，目录结构如下所示。
+
+```
+test_tipc
+    |--configs                                  # 配置目录
+    |    |--model_name                          # 您的模型名称
+    |           |--train_infer_python.txt       # 基础训练推理测试配置文件
+    |           |--train_pact_infer_python.txt  # PACT量化训练推理测试配置文件
+    |--docs                                     # 文档目录
+    |   |--test_train_inference_python.md       # 基础训练推理测试说明文档
+    |   |--test_train_pact_inference_python.md  # PACT量化训练推理测试说明文档
+    |----README.md                              # TIPC说明文档
+    |----test_train_inference_python.sh         # TIPC基础训练、PACT量化训练推理测试解析脚本，无需改动
+    |----common_func.sh                         # TIPC基础训练、PACT量化训练推理测试常用函数，无需改动
+```
+
+#### 3.2.2 配置文件和测试文档
+
+* `test_tipc/README.md` 文档中对该模型支持的的功能进行总体介绍。
+* `test_tipc/docs/test_train_pact_inference_python.md` 文档中对**Linux GPU/CPU PACT量化训练推理**的功能支持情况进行介绍。
+* 根据测试文档，基于配置文件，跑通训练推理全流程测试。
+
+

tutorials/tipc/train_pact_infer_python/test_train_pact_infer_python.md

@@ -3,5 +3,344 @@
 # 目录
 
 - [1. 简介](#1)
-- [2. 测试流程](#2)
-- [3. FAQ](#3)
+- [2. 命令与配置文件解析](#2)
+    - [2.1 命令解析](#2.1)
+    - [2.2 配置文件和运行命令映射解析](#2.2)
+- [3. 基本训练推理功能测试开发](#3)
+    - [2.1 准备待测试的命令](#3.1)
+    - [2.2 准备数据与环境](#3.2)
+    - [2.3 准备开发所需脚本](#3.3)
+    - [2.4 填写配置文件](#3.4)
+    - [2.5 验证配置正确性](#3.5)
+    - [2.6 撰写说明文档](#3.6)
+- [4. FAQ](#4)
+
+<a name="1"></a>
+
+## 1. 简介
+
+本文档主要关注Linux GPU/CPU 下模型的PACT量化训练推理全流程功能测试，具体测试点如下：
+
+- 模型训练：单机单卡/多卡训练跑通
+- 模型动转静：保存静态图模型
+- 模型推理：推理过程跑通
+
+为了一键跑通上述所有功能，本文档提供了`训推一体全流程`功能自动化测试工具，它包含3个脚本文件和1个配置文件，分别是：
+
+* `test_train_inference_python.sh`: 测试Linux上训练、模型动转静、推理功能的脚本，会对`train_pact_infer_python.txt`进行解析，得到具体的执行命令。**该脚本无需修改**。
+* `prepare.sh`: 准备测试需要的数据或需要的预训练模型。
+* `common_func.sh`: 在配置文件一些通用的函数，如配置文件的解析函数等，**该脚本无需修改**。
+* `train_pact_infer_python.txt`: 配置文件，其中的内容会被`test_train_inference_python.sh`解析成具体的执行命令字段。
+
+<a name="2"></a>
+
+## 2. 命令与配置文件解析
+
+<a name="2.1"></a>
+
+### 2.1 命令解析
+
+模型训练、动转静、推理过程的运行命令差别很大，但是都可以拆解为3个部分：
+
+```
+python  run_script   set_configs
+```
+
+例如：
+
+* 对于通过配置文件传参的场景来说，`python3.7 train.py -c config.yaml -o epoch_num=120`
+    * `python`部分为`python3.7`
+    * `run_script`部分为`train.py`
+    * `set_configs`部分为`-c config.yaml -o epoch_num=120`
+* 对于通过argparse传参的场景来说，`python3.7 train.py --data-path="./lite_data" --lr=0.1`
+    * `python`部分为`python3.7`
+    * `run_script`部分为`train.py`
+    * `set_configs`部分为`--data-path="./lite_data" --lr=0.1`
+
+其中，可修改参数`set_configs`一般通过`=`进行分隔，`=`前面的内容可以认为是key，后面的内容可以认为是value，那么通过给定配置文件模板，解析配置，得到其中的key和value，结合`python`和`run_script`，便可以组合出一条完整的命令。
+
+<a name="2.2"></a>
+
+### 2.2 配置文件和运行命令映射解析
+
+完整的`train_pact_infer_python.txt`配置文件共有32行，包含5个方面的内容。
+
+* 训练参数：第1~11行
+* 训练脚本配置：第13~14行
+* 评估脚本和配置：第16~17行（本部分无需关注，这里不再展开介绍）
+* 模型导出脚本和配置：第19~25行
+* 模型Inference推理：第26~32行
+
+具体内容见[train_pact_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt)。
+
+配置文件中主要有以下3种类型的字段。
+
+* 一行内容以冒号为分隔符：该行可以被解析为`key:value`的格式，需要根据实际的含义修改该行内容，下面进行详细说明。
+* 一行内容为`======xxxxx=====`：该行内容为注释信息，无需修改。
+* 一行内容为`##`：该行内容表示段落分隔符，没有实际意义，无需修改。
+
+#### 2.2.1 训练配置参数
+
+在配置文件中，可以通过下面的方式配置一些常用的超参数，如：是否使用GPU、迭代轮数、batch-size、预训练模型路径等，下面给出了常用的训练配置以及需要修改的内容。
+
+<details>
+<summary><b>训练配置参数（点击以展开详细内容或者折叠）
+</b></summary>
+
+
+| 行号 | 参考内容                                | 含义            | key是否需要修改 | value是否需要修改 | 修改内容                             |
+|----|-------------------------------------|---------------|-----------|-------------|----------------------------------|
+| 2  | model_name:mobilenet_v3_small       | 模型名字          | 否         | 是           | value修改为自己的模型名字                  |
+| 3  | python:python3.7                    | python环境      | 否         | 是           | value修改为自己的python环境              |
+| 4  | gpu_list:0                          | gpu id        | 否         | 是           | value修改为自己的GPU ID                |
+| 5  | use-gpu:True                        | 是否使用GPU       | 是         | 是           | key修改为设置GPU的内容，value修改为设置GPU的值         |
+| 6  | --epochs:lite_train_lite_infer=5    | 迭代的epoch数目    | 是         | 否           | key修改为代码中设置epoch数量的内容          |
+| 7  | --output-dir:./output/              | 输出目录          | 是         | 否           | key修改为代码中设置输出路径的内容             |
+| 8  | --batch-size:lite_train_lite_infer=4 | 训练的batch size | 是         | 否           | key修改为代码中设置batch size的内容       |
+| 9 | --pretrained:null                   | 预训练模型         | 是         | 是           | 如果训练时指定了预训练模型，则key和value需要对应修改 |
+| 10 | train_model_name:latest.pdparams    | 训练结果的模型名字  | 否         | 是           | value需要修改为训练完成之后保存的模型名称，用于后续的动转静 |
+| 11 | --data-path:./lite_data             | 数据集路径         | 是         | 是           | key和value需要对应修改为指定的数据集路径              |
+
+</details>
+
+以训练命令`python3.7 train.py --pact_quant --device=gpu --epochs=2 --data-path=./lite_data`为例，总共包含4个超参数。
+
+* 运行设备：`--device=gpu`，则需要修改为配置文件的第5行，`key`为`--device`， `value`为`gpu`，修改后内容为`--device:gpu`
+* 迭代轮数：`--epochs=2`，则需要修改配置文件的第6行，修改后内容为`--epochs:lite_train_lite_infer=2`（`lite_train_lite_infer`为模式设置，表示少量数据训练，少量数据推理，此处无需修改）
+* 数据路径：`--data-path=./lite_data`，则需要修改为配置文件的第11行，修改后内容为`--data-path:./lite_data`
+* 开启量化训练：`--pact_quant`，由于配置文件中不包含该项配置，因此可以将其和`train.py`字段（配置文件第14行）放在一起，具体会在2.2.2节详细说明。
+
+#### 2.2.2 训练命令配置参数
+
+下面给出了配置文件中的训练命令配置参数（点击以展开详细内容或者折叠）
+
+<details>
+<summary><b>训练命令配置参数（点击以展开详细内容或者折叠）
+</b></summary>
+
+| 行号 | 参考内容                                        | 含义              | key是否需要修改 | value是否需要修改 |  修改内容                 |
+|----|---------------------------------------------|-----------------|-----------|-------------|-------------------|
+| 13 | trainer:pact_train                          | 训练方法            | 否         | 否           | -                 |
+| 14 | pact_train:train.py --pact_quant          | pact_train的训练脚本 | 否         | 是           | value可以修改为自己的训练命令 |
+
+</details>
+
+以训练命令`python3.7 train.py --pact_quant --device=gpu --epochs=1 --data-path=./lite_data`为例，该命令为PACT量化训练（非裁剪、量化、蒸馏等方式），因此
+
+* 配置文件的第13行直接写`pact_train`即可。
+* 第14行配置`pact_train`的具体运行脚本/入口，即上述命令中的`train.py`因此配置文件的14行内容初步可以修改为`pact_train:train.py --pact_quant`，考虑到`--pact_quant`超参数无法在配置文件中配置，因此可以在这里添加，修改后内容为`pact_train:train.py --pact_quant`
+
+#### 2.2.3 模型动转静配置参数
+
+下面给出了配置文件中的模型动转静配置参数。
+
+**【注意】：** 在模型动转静过程中，为方便管理输入输出，程序会自动指定输入和输出目录，因此我们只需要提供可以配置输入输出目录的参数即可。
+
+<details>
+<summary><b>模型动转静配置参数（点击以展开详细内容或者折叠）</b></summary>
+
+| 行号 | 参考内容                 | 含义        | key是否需要修改 | value是否需要修改 | 修改内容                    |
+|----|------------------|-----------|-----------|-------------|-------------------------|
+| 20 | --save-inference-dir:./output/mobilenet_v3_small_infer/ | 动转静输出目录      | 是         | 否           | key修改为代码中设置输出目录的内容    |
+| 21 | --pretrained:                                   | 预训练模型路径    | 是         | 否           | key修改为代码中可以设置预训练模型路径的内容 |
+| 22 | norm_export:tools/export_model.py               | 模型动转静导出命令  | 否         | 是           | value修改为实际的动转静导出命令      |
+
+</details>
+
+以模型动转静命令`python tools/export_model.py --pretrained=./mobilenet_v3_small_pretrained.pdparams --save-inference-dir="./mobilenet_v3_small_infer" --model=mobilenet_v3_small`为例。
+
+* 预训练模型路径的配置为`--pretrained=./mobilenet_v3_small_pretrained.pdparams`，因此需要将21行修改为`--pretrained:`
+* 动转静保存目录的配置为`--save-inference-dir="./mobilenet_v3_small_infer"`，因此需要将20行修改为`--save-inference-dir:`
+* 模型导出命令为`tools/export_model.py`，考虑到也需要配置`--model=mobilenet_v3_small`，因此可以将22行修改为`norm_export:tools/export_model.py --model=mobilenet_v3_small`
+
+#### 2.2.4 模型推理配置参数
+
+下面给出了配置文件中的模型推理配置参数。
+
+<details>
+<summary><b>模型推理配置参数（点击以展开详细内容或者折叠）</b></summary>
+
+| 行号 | 参考内容             | 含义     | key是否需要修改 | value是否需要修改 | 修改内容        |
+|----|------------------|-----------------|-----------|-------------|-------------|
+| 24 | train_model:./pretrain_models/mobilenet_v3_small_pretrained.pdparams   | 训练模型保存路径   | 否         | 否           |                                   |
+| 25 | infer_export:tools/export_model.py --model=mobilenet_v3_small | 推理前是否需要导出       | 否         | 是           | value修改为和22行内容一致即可                |
+| 27 | inference:deploy/inference_python/infer.py         | 推理脚本            | 否         | 是           | value修改为自己的推理脚本                   |
+| 28 | --use-gpu:True|False                                 | 是否使用GPU         | 是         | 是           | key和value修改为GPU设置的参数和值            |
+| 29 | --batch_size:1                                       | 推理batch size    | 是         | 否           | key修改为代码中设置batch size的内容       |
+| 30 | --model-dir:./output/mobilenet_v3_small_infer/   | 推理模型保存路径     | 是         | 否           | key修改为代码中可以设置inference model路径的内容 |
+| 31 | --img-path:./images/demo.jpg                 | 图片路径或者图片文件夹路径   | 是         | 否           | key修改为代码中设置图片路径的内容       |
+| 32 | --benchmark:False                                    | 是否使用benchmark            | 是         | 是           | key和value修改为规范化推理日志输出设置的参数和值      |
+
+</details>
+
+以推理命令`python deploy/inference_python/infer.py --model-dir=./mobilenet_v3_small_infer/ --img-path=./images/demo.jpg`为例。
+
+* 推理的入口脚本为`deploy/inference_python/infer.py`，因此27行需要修改为`inference:deploy/inference_python/infer.py`。
+* Inference模型路径配置为`--model-dir=./mobilenet_v3_small_infer/`，而运行该命令时，会直接基于已经生成的Inference模型，因此30行需要修改为`--model-dir:./mobilenet_v3_small_infer/`
+* 测试图像路径配置为`--img-path=./images/demo.jpg`，因此31行修改为`--img-path:./images/demo.jpg`
+
+<a name="3"></a>
+
+## 3. PACT量化训练推理功能测试开发
+
+PACT量化训练推理功能测试开发过程主要分为以下6个步骤。
+
+<div align="center">
+    <img src="../images/quant_aware_training_guide.png" width="800">
+</div>
+
+其中设置了2个核验点，下面详细介绍开发过程。
+
+<a name="3.1"></a>
+
+### 3.1 准备待测试的命令
+
+**【基本内容】**
+
+准备训练、模型动转静、模型推理的命令，后续会将这些命令按照[第2节](#2)所述内容，映射到配置文件中。
+
+**【实战】**
+
+MobileNetV3的训练、动转静、推理示例运行命令如下所示。
+
+```bash
+# 模型训练
+python3.7 train.py --device=gpu --epochs=2 --data-path=./lite_data --pact_quant
+# 模型动转静
+python3.7 tools/export_model.py --model=mobilenet_v3_small --pretrained=./latest.pdparams --save-inference-dir="./mobilenet_v3_small_infer" --model=mobilenet_v3_small
+# 推理
+python deploy/inference_python/infer.py --model-dir=./mobilenet_v3_small_infer/ --img-path=./images/demo.jpg
+```
+
+<a name="3.2"></a>
+
+### 3.2 准备数据与环境
+
+**【基本内容】**
+
+1. 数据集：为方便快速验证训练/评估/推理过程，需要准备一个小数据集（训练集和验证集各8~16张图像即可，压缩后数据大小建议在`20M`以内），放在`lite_data`文件夹下。
+
+    相关文档可以参考[论文复现赛指南3.2章节](../../../docs/lwfx/ArticleReproduction_CV.md)，代码可以参考`基于ImageNet准备小数据集的脚本`：[prepare.py](https://github.com/littletomatodonkey/AlexNet-Prod/blob/tipc/pipeline/Step2/prepare.py)。
+
+2. 环境：安装好PaddlePaddle即可进行PACT量化训练推理测试开发
+
+**【注意事项】**
+
+* 为方便管理，建议在上传至github前，首先将lite_data文件夹压缩为tar包，直接上传tar包即可，在测试训练评估与推理过程时，可以首先对数据进行解压。
+    * 压缩命令： `tar -zcf lite_data.tar lite_data`
+    * 解压命令： `tar -xf lite_data.tar`
+
+
+<a name="3.3"></a>
+
+### 3.3 准备开发所需脚本
+
+**【基本内容】**
+
+在repo中新建`test_tipc`目录，将文件 [common_func.sh](../../mobilenetv3_prod/Step6/test_tipc/common_func.sh) ， [prepare.sh](../../mobilenetv3_prod/Step6/test_tipc/prepare.sh) 和 [test_train_inference_python.sh](../../mobilenetv3_prod/Step6/test_tipc/test_train_inference_python.sh) 分别拷贝到`test_tipc`目录中。
+
+
+**【注意事项】**
+
+* 上述3个脚本文件无需改动，在实际使用时，直接修改配置文件即可。
+
+<a name="3.4"></a>
+
+### 3.4 填写配置文件
+
+**【基本内容】**
+
+在repo的`test_tipc/`目录中新建`configs/model_name`，将文件 [train_pact_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt) 拷贝到该目录中，其中`model_name`需要修改为您自己的模型名称。
+
+**【实战】**
+
+配置文件的含义解析可以参考 [2.2节配置文件解析](#2.2) 部分。
+
+mobilenet_v3_small的测试开发配置文件可以参考：[train_pact_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt)。
+
+<a name="3.5"></a>
+
+### 3.5 验证配置正确性
+
+**【基本内容】**
+
+基于修改完的配置，运行
+
+```bash
+bash test_tipc/prepare.sh ${your_params_file} lite_train_lite_infer
+bash test_tipc/test_train_inference_python.sh ${your_params_file} lite_train_lite_infer
+```
+
+**【注意事项】**
+
+如果运行失败，会输出具体的报错命令，可以根据输出的报错命令排查下配置文件的问题并修改，示例报错如下所示。
+
+```
+Run failed with command - python3.7 tools/export_model.py --model=mobilenet_v3_small --pretrained=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0/latest --save-inference-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0!
+```
+
+**【实战】**
+
+以mobilenet_v3_small的`Linux GPU/CPU PACT量化训练推理功能测试` 为例，命令如下所示。
+
+```bash
+bash test_tipc/test_train_inference_python.sh test_tipc/configs/mobilenet_v3_small/train_pact_infer_python.txt lite_train_lite_infer
+```
+
+输出结果如下，表示命令运行成功。
+
+```bash
+ Run successfully with command - python3.7 train.py --pact_quant --output-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0 --epochs=5   --batch-size=4!
+......
+ Run successfully with command - python3.7 tools/export_model.py --model=mobilenet_v3_small --pretrained=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0/latest.pdparams --save-inference-dir=./log/mobilenet_v3_small/lite_train_lite_infer/pact_train_gpus_0!
+```
+
+**【核验】**
+
+基于修改后的配置文件，测试通过，全部命令成功
+
+<a name="3.6"></a>
+
+### 3.6 撰写说明文档
+
+**【基本内容】**
+
+撰写TIPC功能总览和测试流程说明文档，分别为
+
+1. TIPC功能总览文档：test_tipc/README.md
+2. Linux GPU/CPU PACT量化训练推理功能测试说明文档：test_tipc/docs/test_pact_train_infer_python.md
+
+2个文档模板分别位于下述位置，可以直接拷贝到自己的repo中，根据自己的模型进行修改。
+
+1. [README.md](../../mobilenetv3_prod/Step6/test_tipc/README.md)
+2. [test_train_pact_inference_python.md](../../mobilenetv3_prod/Step6/test_tipc/docs/test_train_pact_inference_python.md)
+
+**【实战】**
+
+mobilenet_v3_small中`test_tipc`文档如下所示。
+
+1. TIPC功能总览文档：[README.md](../../mobilenetv3_prod/Step6/test_tipc/README.md)
+2. Linux GPU/CPU PACT量化训练推理测试说明文档：[test_train_pact_inference_python.md](../../mobilenetv3_prod/Step6/test_tipc/docs/test_train_pact_inference_python.md)
+
+**【核验】**
+
+repo中最终目录结构如下所示。
+
+```
+test_tipc
+    |--configs                                  # 配置目录
+    |    |--model_name                          # 您的模型名称
+    |           |--train_pact_infer_python.txt   # PACT量化训练推理测试配置文件
+    |--docs                                     # 文档目录
+    |   |--test_train_pact_inference_python.md   # PACT量化训练推理测试说明文档
+    |----README.md                              # TIPC说明文档
+    |----prepare.sh                             # TIPCPACT量化训练推理测试数据准备脚本
+    |----test_train_inference_python.sh         # TIPCPACT量化训练推理测试解析脚本，无需改动
+    |----common_func.sh                         # TIPCPACT量化训练推理测试常用函数，无需改动
+```
+
+基于`test_train_pact_inference_python.md`文档，跑通`Linux GPU/CPU PACT量化训练推理功能测试`流程。
+
+<a name="4"></a>
+
+## 4. FAQ
\ No newline at end of file