diff --git a/debug/accuracy_tools/atat/config/README.md b/debug/accuracy_tools/atat/config/README.md
index 546cbbde18c006ec0a543c07b1bfaa3112775647..94fea911f410ff5c187af18afd9d3b058488512d 100644
--- a/debug/accuracy_tools/atat/config/README.md
+++ b/debug/accuracy_tools/atat/config/README.md
@@ -1,6 +1,6 @@
# 配置文件说明
-当前配置文件主要为PrecisionDebugger接口执行dump或无标杆比对操作时，调用的配置，当PrecisionDebugger接口未指定该配置文件时，使用该文件的默认配置。配置文件详见[config.json](./config.json)。
+当前配置文件主要为PrecisionDebugger接口执行dump或无标杆比对操作时调用的配置，当PrecisionDebugger接口未指定该配置文件时，使用该文件的默认配置。配置文件详见[config.json](./config.json)。
## 参数说明
@@ -11,8 +11,8 @@
| task | dump的任务类型，str类型。可取值"free_benchmark"（无标杆比对）、"statistics"（仅dump API统计信息，默认值）、"tensor"（dump API统计信息和完全复刻整网的API运行情况的真实数据）、"overflow_check"（溢出检测）。配置示例："task": "tensor"。根据task参数取值的不同，可以配置不同场景参数，详见：“**task配置为free_benchmark**”，“**task配置为statistics**”，“**task配置为tensor**”，“**task配置为overflow_check**”。 | 否 |
| dump_path | 设置dump数据目录路径，str类型。配置示例："dump_path": "./dump_path"。 | 是 |
| rank | 指定对某张卡上的数据进行dump，list[int]类型，默认未配置（表示dump所有卡的数据），须根据实际卡的Rank ID配置。应配置为大于等于0的整数，且须根据实际卡的Rank ID配置，若所配置的值大于实际训练所运行的卡的Rank ID，则dump数据为空，比如当前环境Rank ID为0到7，实际训练运行0到3卡，此时若配置Rank ID为4或不存在的10等其他值，此时dump数据为空。配置示例："rank": [1]。 | 否 |
-| step | 指定dump某个step的数据，list[int]类型，默认未配置，表示dump所有step数据。dump特定step时，须指定为训练脚本中存在的step。step为list格式，可配置逐个step，例如："step": [0,1,2]。 | 否 |
-| level | dump级别，str类型，根据不同级别dump不同数据。可取值"L0"（dump module模块级精度数据，仅PyTorch场景支持，使用背景详见“**模块级精度数据dump说明**”）、"L1"（dump API级精度数据，默认值）、"L2"（dump kernel级精度数据，仅MindSpore场景支持）、"mix"（dump module模块级和API级精度数据）。配置示例："level": "L1"。 | 否 |
+| step | 指定dump某个step的数据，list[int]类型。默认未配置，表示dump所有step数据。dump特定step时，须指定为训练脚本中存在的step。step为list格式，可配置逐个step，例如："step": [0,1,2]。 | 否 |
+| level | dump级别，str类型，根据不同级别dump不同数据。可取值"L0"（dump module模块级精度数据，仅PyTorch场景支持，使用背景详见“**模块级精度数据dump说明**”）、"L1"（dump API级精度数据，默认值）、"L2"（dump kernel级精度数据，仅MindSpore场景支持）、"mix"（dump module模块级和API级精度数据，即"L0"+"L1"）。配置示例："level": "L1"。 | 否 |
| seed | 随机种子数，int类型，默认值为：1234。通过固定随机数保证模型的输入或输出一致，可固定的随机数详见“**固定随机数范围**”。配置示例："seed": 1234。 | 否 |
| is_deterministic | 确定性计算模式，bool类型。可取值true（开启）或false（关闭），默认关闭。配置示例："is_deterministic": true。
即使在相同的硬件和输入下，API多次执行的结果也可能不同，开启确定性计算是为了保证在相同的硬件和输入下，API多次执行的结果相同。
确定性计算会导致API执行性能降低，建议在发现模型多次执行结果不同的情况下开启。
rnn类算子、ReduceSum、ReduceMean等算子可能与确定性计算存在冲突，若开启确定性计算后多次执行的结果不相同，则考虑存在这些算子。 | 否 |
| enable_dataloader | 自动控制开关，bool类型。可取值true（开启）或false（关闭），默认为false。配置为True后自动识别step参数指定的迭代，并在该迭代执行完成后退出训练，此时start、stop和step函数可不配置，开启该开关要求训练脚本是通过torch.utils.data.dataloader方式加载数据。仅支持PyTorch单卡训练使用，分布式训练场景下存在数据dump不全问题，**下个版本即将废弃该功能**。 | 否 |
diff --git a/debug/accuracy_tools/atat/pytorch/doc/dump.md b/debug/accuracy_tools/atat/pytorch/doc/dump.md
index 26cbcc7d73213f68203e62fcb5bfc306ce6c57c3..5d102f7ab1a8ddf85f8340179a4db515ded02608 100644
--- a/debug/accuracy_tools/atat/pytorch/doc/dump.md
+++ b/debug/accuracy_tools/atat/pytorch/doc/dump.md
@@ -17,10 +17,10 @@ atat工具主要通过在训练脚本内添加dump接口并启动训练的方式
**原型**
```Python
-PrecisionDebugger(config_path=None, task=None, dump_path=None, level=None)
+PrecisionDebugger(config_path=None, task=None, dump_path=None, level=None, model=None, step=None)
```
-说明：上述参数除config_path外，其他参数均在[config.json](../../config)文件中可配，此处的参数优先级高于config.json文件中的配置，而config.json文件可以配置更多参数，若需要进行更多场景的精度数据dump，建议配置[config.json](../../config)文件。
+说明：上述参数除config_path和model外，其他参数均在[config.json](../../config)文件中可配，此处的参数优先级高于config.json文件中的配置，而config.json文件可以配置更多参数，若需要进行更多场景的精度数据dump，建议配置[config.json](../../config)文件。
**参数说明**
@@ -30,6 +30,47 @@ PrecisionDebugger(config_path=None, task=None, dump_path=None, level=None)
| task | dump的任务类型，String类型。可取值"statistics"（仅dump API统计信息）、"tensor"（dump API统计信息和完全复刻整网的API运行情况的真实数据）、"overflow_check"（溢出检测），默认未配置，取"statistics"，参数示例：task="tensor"。 | 否 |
| dump_path | 设置dump数据目录路径，String类型。参数示例：dump_path="./dump_path"。 | 是 |
| level | dump级别，根据不同级别dump不同数据，String类型。可取值：
"L0"：dump module模块级精度数据，仅PyTorch场景支持”。
"L1"：dump API级精度数据，默认值。
"L2"：dump kernel级精度数据，仅MindSpore场景支持。
"mix"：dump module模块级和API级精度数据。
配置示例：level="L1"。 | 否 |
+| model | 指定具体的torch.nn.Module，默认未配置，level配置为"L0"或"mix"时必须配置该参数。配置示例参见“**model配置代码示例**”。 | 否 |
+| step | 指定dump某个step的数据，list[int]类型。默认未配置，表示dump所有step数据。dump特定step时，须指定为训练脚本中存在的step。step为list格式，可配置逐个step，例如：step=[0,1,2]。 | 否 |
+
+#### model配置代码示例
+
+示例中定义了一个nn.Module类型的简单网络，在进行数据dump时使用原型函数PrecisionDebugger并传入config_path参数和model参数，其中model参数传入数据的类型为torch.nn.Module类型或torch.nn.Module子类型。
+
+```python
+#根据需要import包
+import os
+import torch
+import torch.nn as nn
+import torch_npu
+import torch.nn.functional as F
+from atat.pytorch import PrecisionDebugger
+
+torch.npu.set_device("npu:0")
+#定义一个简单的网络
+class ModuleOP(nn.Module)
+def _init_(self) -> None:
+ super()._init_()
+ self.linear_1 = nn.Linear(in_features=8,out_features=4)
+ self.linear_2 = nn.Linear(in_features=4,out_features=2)
+def forward(self,x):
+ x1 = self.linear_1(x)
+ x2 = self.linear_2(x1)
+ r1 = F.relu(x2)
+ return r1
+
+if _name_ == "_main_"
+module = ModuleOP()
+
+#注册工具
+debugger = PrecisionDebugger('./config.json',model=module)
+debugger.start()
+x = torch.randn(10,8)
+out = module(x)
+loss = out.sum()
+loss.backward()
+debugger.stop()
+```
### start函数
@@ -42,7 +83,7 @@ PrecisionDebugger(config_path=None, task=None, dump_path=None, level=None)
**原型**
```Python
-debugger.start(model)
+debugger.start()
```
该函数为类函数，可以使用debugger.start()也可以使用PrecisionDebugger.start()。
@@ -88,12 +129,12 @@ debugger = PrecisionDebugger(config_path="./config.json", dump_path="./dump_path
# 模型初始化
# 下面代码也可以用PrecisionDebugger.start()和PrecisionDebugger.stop()
-debugger.start(model)
+debugger.start()
# 需要dump的代码片段1
debugger.stop()
-debugger.start(model)
+debugger.start()
# 需要dump的代码片段2