光计算运行ResNet50模型用于ImageNet图像分类任务 。为实现低比特模型优化，重点介绍了两种量化感知训练（QAT）方法 ：MOCA工具，一种适用于光计算后端的定点量化工具 ；以及APOT（加法二次幂）量化，一种利用权重归一化的非均匀量化方案 。展示了w2a2、w3a3等不同量化位宽下的Top1和Top5测试准确率 。

介绍了使用光计算硬件在DOTA航拍图像数据集上执行RetinaNet目标检测任务的流程，包括所使用的数据增强方法 。阐述了RetinaNet的one-stage模型结构 ，并重点介绍了其为解决样本不平衡而设计的Focal Loss 。说明了如何使用MOCA工具对模型进行量化感知训练（QAT）以适配光计算（OMAC）后端 ，并展示了在光计算硬件上的mAP测试结果 。