diff --git a/ACL_PyTorch/built-in/foundation_models/open_clip/.keep b/ACL_PyTorch/built-in/foundation_models/open_clip/.keep
new file mode 100644
index 0000000000000000000000000000000000000000..e69de29bb2d1d6434b8b29ae775ad8c2e48c5391
diff --git a/ACL_PyTorch/built-in/foundation_models/open_clip/export.py b/ACL_PyTorch/built-in/foundation_models/open_clip/export.py
new file mode 100644
index 0000000000000000000000000000000000000000..2c8a2e73c371a66b1fe5ca1a33017840fb3f97da
--- /dev/null
+++ b/ACL_PyTorch/built-in/foundation_models/open_clip/export.py
@@ -0,0 +1,97 @@
+import torch
+import torch.onnx
+from PIL import Image
+from onnx import load_model, save_model
+from onnxmltools.utils import convert_float_to_float16
+import onnxruntime
+import open_clip
+
+def parse_args():
+    parser = argparse.ArgumentParser()
+    parser.add_argument(
+        "--model-arch", 
+        required=True, 
+        choices=["ViT-B-16", "ViT-L-14", "ViT-L-14-336", "ViT-H-14", "RN50"],
+        help="Specify the architecture (model scale) of Chinese-CLIP model to be converted."
+    )
+    parser.add_argument(
+        "--pytorch-ckpt-path", 
+        default=None, 
+        type=str, 
+        help="Path of the input PyTorch Chinese-CLIP checkpoint. Default to None which will automatically download the pretrained checkpoint."
+    )
+    parser.add_argument(
+        "--download-root", 
+        default=None, 
+        type=str, 
+        help="If --pytorch-ckpt-path is None, official pretrained ckpt will be downloaded under --download-root directory and converted. Default to ~/cache/clip/ ."
+    )
+    parser.add_argument(
+        "--save-onnx-path", 
+        required=True,
+        type=str, 
+        help="Path (prefix) of the output converted ONNX Chinese-CLIP text or vision model."
+    )
+    parser.add_argument(
+        "--convert-text",
+        action="store_true",
+        help="Whether to convert the text encoder (text feature extractor) into ONNX."
+    )
+    parser.add_argument(
+        "--convert-vision",
+        action="store_true",
+        help="Whether to convert the vision encoder (vision feature extractor) into ONNX."
+    )
+    parser.add_argument(
+        "--context-length", type=int, default=52, help="The padded length of input text (include [CLS] & [SEP] tokens). Default to 52."
+    )
+    args = parser.parse_args()
+    return args
+
+if __name__ == '__main__':
+    model, _, preprocess = open_clip.create_model_and_transforms('ViT-B-32', pretrained='laion2b_s34b_b79k')
+    tokenizer = open_clip.get_tokenizer('ViT-B-32')
+    image = preprocess(Image.open("CLIP.png")).unsqueeze(0)
+    text = tokenizer(["a diagram", "a dog", "a cat"])
+    args = parse_args()
+    # perform conversions, ONNX text and vision encoders will be saved into separated files
+    if args.convert_text:
+        # convert text FP32 ONNX model
+        text_fp32_onnx_path = f"{args.save_onnx_path}.txt.fp32.onnx"
+        torch.onnx.export(model,
+                    (None, text),
+                    text_fp32_onnx_path,
+                    input_names=['text'],
+                    output_names=['unnorm_text_features'],
+                    export_params=True,
+                    opset_version=13,
+                    verbose=True)
+        # convert text FP16 ONNX model based on the FP32 model
+        text_fp16_onnx_path = f"{args.save_onnx_path}.txt.fp16.onnx"
+        text_fp32_onnx_model = load_model(text_fp32_onnx_path)
+        text_fp16_onnx_model = convert_float_to_float16(text_fp32_onnx_model, keep_io_types=True, disable_shape_infer=True)
+        save_model(text_fp16_onnx_model,
+                    text_fp16_onnx_path,
+                    convert_attribute=True)
+
+    if args.convert_vision:
+        # convert vision FP32 ONNX model
+        vision_fp32_onnx_path = f"{args.save_onnx_path}.img.fp32.onnx"
+        vision_fp32_onnx_hasextra = False
+        torch.onnx.export(model,
+                    (image, None),
+                    vision_fp32_onnx_path,
+                    input_names=['image'],
+                    output_names=['unnorm_image_features'],
+                    export_params=True,
+                    do_constant_folding=False,
+                    opset_version=13,
+                    verbose=True)
+
+        # convert vision FP16 ONNX model based on the FP32 model
+        vision_fp16_onnx_path = f"{args.save_onnx_path}.img.fp16.onnx"
+        vision_fp32_onnx_model = load_model(vision_fp32_onnx_path)
+        vision_fp16_onnx_model = convert_float_to_float16(vision_fp32_onnx_model, keep_io_types=True, disable_shape_infer=True)
+        save_model(vision_fp16_onnx_model,
+                    vision_fp16_onnx_path,
+                    convert_attribute=True)
\ No newline at end of file
diff --git a/ACL_PyTorch/built-in/foundation_models/open_clip/preprocess.py b/ACL_PyTorch/built-in/foundation_models/open_clip/preprocess.py
new file mode 100644
index 0000000000000000000000000000000000000000..47bd6fa6aad616817a5342fbd85dc4d8f600b758
--- /dev/null
+++ b/ACL_PyTorch/built-in/foundation_models/open_clip/preprocess.py
@@ -0,0 +1,43 @@
+import torch
+import numpy as np
+from PIL import Image
+import open_clip
+import  argparse
+
+def parse_args():
+    parser = argparse.ArgumentParser()
+    parser.add_argument(
+        "--image_features_path", 
+        default='./npy/image_features', 
+        type=str, 
+        help="Path of the image_features"
+    )
+    parser.add_argument(
+        "--text_features_path", 
+        default='./npy/text_features', 
+        type=str, 
+        help="Path of the text_features."
+    )
+    args = parser.parse_args()
+    return args
+
+
+
+if __name__ == '__main__':
+    args = parse_args()
+    model, _, preprocess = open_clip.create_model_and_transforms('ViT-B-32', pretrained='laion2b_s34b_b79k')
+    tokenizer = open_clip.get_tokenizer('ViT-B-32')
+    image = preprocess(Image.open("CLIP.png")).unsqueeze(0)
+    text = tokenizer(["a diagram", "a dog", "a cat"])
+    with torch.no_grad(), torch.cuda.amp.autocast():
+        image_features = model.encode_image(image)
+        text_features = model.encode_text(text)
+        np.save(args.image_features_path, image_features)
+        np.save(args.text_features_path, text_features)
+        image_features /= image_features.norm(dim=-1, keepdim=True)
+        text_features /= text_features.norm(dim=-1, keepdim=True)
+
+        text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)
+
+    print("Label probs:", text_probs)  # prints: [[1., 0., 0.]]
+
diff --git a/ACL_PyTorch/built-in/foundation_models/open_clip/readme.md b/ACL_PyTorch/built-in/foundation_models/open_clip/readme.md
new file mode 100644
index 0000000000000000000000000000000000000000..91116f4f7b7c1053f6baa50965bb46fbc4bdb2a4
--- /dev/null
+++ b/ACL_PyTorch/built-in/foundation_models/open_clip/readme.md
@@ -0,0 +1,214 @@
+# OPEN_CLIP模型-推理指导
+
+
+- [概述](#ZH-CN_TOPIC_0000001172161501)
+
+    - [输入输出数据](#section540883920406)
+
+
+
+- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
+
+- [快速上手](#ZH-CN_TOPIC_0000001126281700)
+
+  - [获取源码](#section4622531142816)
+  - [准备数据](#section183221994411)
+  - [模型推理](#section741711594517)
+
+- [模型推理性能&精度](#ZH-CN_TOPIC_0000001172201573)
+
+  ******
+
+
+
+
+# 概述<a name="ZH-CN_TOPIC_0000001172161501"></a>
+
+该存储库的目标是启用具有对比图像-文本监督的训练模型，并研究其属性，例如对分布偏移的鲁棒性。我们的起点是 CLIP 的实现，当在同一数据集上训练时，它与原始 CLIP 模型的准确性相匹配。 
+
+
+
+
+- 参考实现：
+
+  ```
+  url=https://github.com/mlfoundations/open_clip
+  commit_id=c22a8ecaf95ace2e1ac785e3384689c03754bd40
+  code_path=built-in/foundation_models/open_clip
+  ```
+  
+
+
+
+## 输入输出数据<a name="section540883920406"></a>
+
+- 输入数据
+
+  | 输入数据 | 数据类型 | 大小                      | 数据排布格式 |
+  | -------- | -------- | ------------------------- | ------------ |
+  | input1    | FP32 | batchsize x 3 x 224 x 224 | NCHW         |
+  | input2    | INT64 |  3 x 77 | NCHW         |
+
+- 输出数据
+
+  | 输出数据 | 数据类型 | 大小     | 数据排布格式 |
+  | -------- | -------- | -------- | ------------ |
+  | output1  | FLOAT32  | 1 x 512 | NCHW           |
+  | output2  | FLOAT32  | 3 x 512 | NCHW           |
+
+# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
+
+- 该模型需要以下插件与驱动   
+
+  **表 1**  版本配套表
+
+  | 配套                                                         | 版本    | 环境准备指导                                                 |
+  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
+  | 固件与驱动                                                   | 1.0.17(NPU驱动固件版本为6.0.RC1)  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
+  | CANN                                                         | 6.3.RC1 | -                                                            |
+  | Python                                                       | 3.7.5   | -                                                            |
+  | Pytorch                                                      | 1.7.0   | -                                                            |
+  
+
+
+# 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
+
+## 获取源码<a name="section4622531142816"></a>
+
+1. 安装依赖。
+
+   ```
+   pip install -r requirements.txt     
+   ```
+
+2. 获取源码。
+   ```
+   git clone https://github.com/mlfoundations/open_clip
+   cd open_clip
+   git reset --hard c22a8ecaf95ace2e1ac785e3384689c03754bd40
+   ```
+
+## 准备demo数据<a name="section183221994411"></a>
+
+1.数据前处理
+
+    ```
+        mkdir npy
+        python3 preprocess.py --image_features_path ./npy/image_features.npy --text_features_path ./npy/text_features.npy
+
+    ```
+
+
+## 模型推理<a name="section741711594517"></a>
+
+1. 模型转换。
+
+   运行export.py文件，自动下载权重并转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
+   2. 导出onnx文件。
+    ```
+    python3 export.py --convert-text --save-onnx-path ./open_clip  --convert-vision 
+
+    ```
+    - 参数说明：
+        -  --convert-text : 模型大小
+        -  --convert-vision : 输出onnx模型
+        -  --save-onnx-path : 保存onnx的路径
+
+   3. 使用ATC工具将ONNX模型转OM模型。
+
+      1. 配置环境变量。
+
+         ```
+          source /usr/local/Ascend/ascend-toolkit/set_env.sh
+         ```
+
+      2. 执行命令查看芯片名称（$\{chip\_name\}）。
+
+         ```
+         npu-smi info
+         #该设备芯片名为Ascend310P3 （自行替换）
+         回显如下：
+         +-------------------+-----------------+------------------------------------------------------+
+         | NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
+         | Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
+         +===================+=================+======================================================+
+         | 0       310P3     | OK              | 15.8         42                0    / 0              |
+         | 0       0         | 0000:82:00.0    | 0            1074 / 21534                            |
+         +===================+=================+======================================================+
+         | 1       310P3     | OK              | 15.4         43                0    / 0              |
+         | 0       1         | 0000:89:00.0    | 0            1070 / 21534                            |
+         +===================+=================+======================================================+
+         ```
+
+      3. 执行ATC命令。
+        (1)导出text模型
+
+         ```
+            atc --framework=5 \
+            --model=open_clip.txt.fp32.onnx \
+            --output=open_clip.txt.fp32 \
+            --input_format=NCHW  \
+            --input_shape="text:3,77"  \
+            --log=debug \
+            --soc_version=Ascend310P3
+         ```
+        (2)导出image模型
+         ```
+            atc --framework=5 \
+            --model=open_clip.image.fp32.onnx \
+            --output=open_clip.image.fp32 \
+            --input_format=NCHW  \
+            --input_shape="image:1,3,224,224"  \
+            --log=debug \
+            --soc_version=Ascend310P3
+         ```
+         - 参数说明：
+
+           -   --model：为ONNX模型文件。
+           -   --framework：5代表ONNX模型。
+           -   --output：输出的OM模型。
+           -   --input\_format：输入数据的格式。
+           -   --input\_shape：输入数据的shape。
+           -   --log：日志级别。
+           -   --soc\_version：处理器型号。
+           -   --out_nodes: 输出节点
+
+
+2. 开始推理验证。
+
+   1. 安装ais_bench推理工具。
+
+      请访问[ais_bench推理工具](https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_bench)代码仓，根据readme文档进行工具安装。  
+
+   2. 执行推理。
+
+        
+    ```
+    python -m ais_bench --model ./open_clip.image.fp32.om \  
+                                  --input ./npy/image_features.npy \ 
+                                  --output ./ \ 
+                                  --batchsize 1 \
+                                  --outfmt BIN \
+                                  --output_dirname result
+    ```
+
+    ```
+    python -m ais_bench --model ./open_clip.txt.fp32.om \  
+                                  --input ./npy/text_features.npy \ 
+                                  --output ./ \ 
+                                  --batchsize 1 \
+                                  --outfmt BIN \
+                                  --output_dirname result
+    ```
+    - 参数说明：
+
+      - --model: OM模型路径。
+      - --input: 存放预处理bin文件的目录路径
+      - --output: 存放推理结果的目录路径
+      - --batchsize：每次输入模型的样本数
+      - --outfmt: 推理结果数据的格式
+      - --output_dirname: 输出结果子目录
+        推理后的输出默认在当前目录result下。
+
+
+