为了帮助用户更加快速地了解精度debug分析的使用方法以及测试流程，我们在此处提供三个测试用例以供用户参考，分别为：MobileVit_s、repvgg_b2_deploy以及mnasnet_1.0_96。
其中：
针对MobileVit_s的分析流程请参考：https://developer.horizon.ai/forumDetail/146176821770229921
针对mnasnet_1.0_96的分析流程请参考：https://developer.horizon.ai/forumDetail/146176821770229925
本文主要使用精度debug工具对repvgg_b2_deploy进行量化精度问题定位。repvgg_b2_deploy模型在 imagenet数据集的50000张图片上进行分类精度测试，在默认情况下，模型精度如下：

dbg.plot_acc_error(
save_dir='./', # 结果保存路径
calibrated_data='./calibration_data', # 校准数据
model_or_file='./calibrated_model.onnx', # 校准模型
quantize_node=['weight', 'activation'], # 量化节点列表，当设置为['weight','activation']时则分别只量化权重和激活
metric='cosine-similarity', # 计算误差的方式（度量方式）
average_mode=False # 是否采用平均累积误差作为输出
）

从分析结果可知，模型的量化误差主要来自于对权重的量化。

node_message = dbg.get_sensitivity_of_nodes(
model_or_file='./calibrated_model.onnx', # 校准模型
metrics='cosine-similarity', # 计算敏感度的方式（度量方式）
calibrated_data='./calibration_data/', # 校准数据
output_node=None, # 选取模型中某个节点的输出用于计算敏感度，默认(None)则采用模型的最终输出
node_type='weight', # 节点类型
data_num=None,
verbose=True, # 是否在终端显示计算结果。True显示，反之，不显示
interested_nodes=None # 选择某些节点只计算这些节点的敏感度。默认(None)计算模型所有节点
)

在模型所有权重校准节点中，top1节点的量化敏感度较低，小于0.99，其余节点均大于0.99。

dbg.plot_distribution(save_dir='./',
model_or_file='./calibrated_model.onnx',
calibrated_data='./calibration_data',
nodes_list=['stage2.2.rbr_reparam.weight_HzCalibration',
'stage3.2.rbr_reparam.weight_HzCalibration',
'stage3.3.rbr_reparam.weight_HzCalibration',
'stage1.3.rbr_reparam.weight_HzCalibration',
'stage3.14.rbr_reparam.weight_HzCalibration'])

node_message = dbg.get_sensitivity_of_nodes(
model_or_file='./calibrated_model.onnx',
metrics='cosine-similarity',
calibrated_data='./calibration_data/',
output_node=None,
node_type='weight',
data_num=None,
verbose=False,
interested_nodes=None)
nodes = list(node_message.keys())
dbg.plot_acc_error(save_dir='./',
calibrated_data='./calibration_data/',
model_or_file='./calibrated_model.onnx',
non_quantize_node=[nodes[:1], nodes[:2], nodes[:3], nodes[:4],
nodes[:5], nodes[:6], nodes[:7], nodes[:8],
nodes[:9], nodes[:10], nodes[:11], nodes[:12],
nodes[:13], nodes[:14], nodes[:15], nodes[:16],
nodes[:17], nodes[:18], nodes[:19], nodes[:20]],
metric='cosine-similarity',
average_mode=False)

通过部分量化精度测试发现，当解除top14权重校准节点后，模型精度会有较大提升，继续增加不量化节点数量精度提升较小。因此，在此基础上进行模型部分量化精度测试。