diff --git a/debug/accuracy_tools/grad_tool/README.md b/debug/accuracy_tools/grad_tool/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..80de6a51487262d28fae4eac5b90ece174872f95
--- /dev/null
+++ b/debug/accuracy_tools/grad_tool/README.md
@@ -0,0 +1,142 @@
+# Ascend模型梯度状态监测工具
+
+Ascend模型梯度状态检测工具能监控一个模型的梯度数据，并且将梯度数据导出。
+
+工具支持PyTorch版本：1.11.0/2.0/2.1。
+
+## 工具特性
+
+1. 使用便捷，不需要去训练流程里插入代码
+2. 可配置多种过滤项
+
+## 工具安装
+
+1. 将att仓代码下载到本地，并配置环境变量。假设下载后att仓路径为 $ATT_HOME，环境变量应配置为：
+
+   ```bash
+   export PYTHONPATH=$PYTHONPATH:$ATT_HOME/debug/accuracy_tools/
+   ```
+
+2. 安装依赖pandas、pyyaml
+
+   ```bash
+   pip3 install pandas pyyaml
+   ```
+
+## 使用方式
+
+1. 自己写一个配置文件 config.yaml，样例如下：
+
+      ```python
+      level: L2
+      param_list: ["module.model.7.bias", "module.model.0.weight"]
+      rank: [0, 1, 2, 3]
+      step: [0, 1, 2, 3]
+      bounds: [-10, -1, -0.1, -0.01, -0.001, 0, 0.001, 0.01, 0.1, 1, 10]
+      output_path: /home/pxp1/code/train_test_msft_multi/test/npu_grad_output4
+      ```
+
+    **参数解释**
+
+   | 参数名称                       | 说明                                               | 是否必选 |
+   |--------------------------------|----------------------------------------------------|----------|
+   | level                  | 有三个 level 可选: L0, L1, L2。决定导出数据的程度，level 越大导出数据越详细。      | 是       |
+   | param_list             | 一个列表。填写需要导出的梯度数据的变量名称。不指定或列表为空就表示导出所有参数的梯度数据。       | 否       |
+   | rank                   | 一个列表。在多卡场景下，填写需要导出梯度数据的卡的rank id，不指定或列表为空就表示导出所有rank的数据。单卡场景不关注这个参数，怎么填都行。 | 否       |
+   | step                   | 一个列表，指定需要导出数据的 step。不指定或列表为空就表示导出所有step的数据。| 否 |
+   | bounds                 | 一个列表，需要保证由数据小到大排列。用来划分区间以统计值分布。| 否  |
+   | output_path            | 输出目录。如果不存在就会创建一个新目录。 | 是 |
+
+    **bounds 和值分布解释**
+
+   + 值分布：梯度数据落在各个区间的元素个数占总元素个数的比例。
+   + bounds：一个列表，用来划分出区间以统计值分布。例如传入bounds = [-10, 0, 10]，此时有一个 grad_value: Tensor = [9.3 , 5.4, -1.0, -12.3]，依据 bounds 划分出 (-inf, -10]、(-10, 0]、(0, 10]、(10, inf) 四个区间，然后统计 grad_value 里的数据落在每个区间内的个数，得到 1、1、2、0。如下图所示：
+
+   
+   ![Alt text](img/image-1.png)
+
+   **不同级别的 level 的导出数据：**
+
+   | 级别 | 特征数据表头 | 是否有方向数据 |
+   |-----| --           | --            |
+   | L0  | ("param_name", "MD5", "max", "min", "norm", "shape") | 无 |
+   | L1  | ("param_name", "MD5", *intervals, "=0", "max", "min", "norm", "shape") | 无 |
+   | L2  | ("param_name", "MD5", *intervals, "=0", "max", "min", "norm", "shape") | 有 |
+
+   intervals 就是根据值分布划分出的区间
+
+   **方向数据解释：**
+   
+   因为模型的参数往往非常大，所以存储真实数据是不可接受的，这里折衷一下，只存储梯度数据的正负号（一个布尔值），也就是方向。
+
+   
+
+2. 在训练流程执行之前传入 config.yaml 的路径实例化一个 GradientDumper 对象，并用该对象的 monitor 方法对需要监控的模型挂上钩子。示例代码如下：
+
+      ```python
+      from grad_tool.grad_monitor import GradientMonitor
+      gm = GradientMonitor("config_path")
+      gm.monitor(model)
+      ```
+
+
+
+## 输出结果
+**输出目录结构**（level 为 L2）
+```bash
+{output_path}
+      └── {timestamp}
+               ├── rank_{rank_id}
+               │        ├── grad_summary_{step}.csv
+               │        ├── step_{step}
+               │        │        ├── {param_name}.pt
+```
++ {timestamp}：梯度工具导出数据的时候会在 output_path 下生成一个时间戳目录，然后在这个时间戳目录下输出结果
++ rank_{rank_id}：在分布式场景下，会记录卡的 rank_id。非分布式场景下，如果是 cpu 则记录进程号，如果是 cpu/gpu 则记录卡号
++ grad_summary_{step}.csv：会分 step 记录每一步的梯度数据统计值
++ step_{step}：这个目录下会存放该 step 的梯度的方向数据
++ {param_name}.pt：模型参数的梯度方向数据
+
+**grad_summary_{step}.csv**
+
+样例
+
+![Alt text](img/image.png)
+
+字段解释
+
+| 字段                  | 含义                                                         |
+| --------------------- | ------------------------------------------------------------|
+| Param_name            | 模型参数名称。                                                |
+| MD5                   | 梯度数据的 MD5 值                                             |
+| (-inf, -0.01]...[0.01, inf) | 梯度值落在区间内的元素个数占总元素的比例。               |
+| =0                    | 梯度为0的元素个数占总元素的比例。                             |
+| Max                   | 最大值                                                       |
+| Min                   | 最小值                                                       |
+| Norm                  | L2norm值                                                     |
+| Shape                 | 形状                                                         |   
+
+## 公开接口
+
+```python
+GradientMonitor.monitor(model)
+```
+
+**参数说明**
+
+| 参数名称    | 说明                                                         | 是否必选 |
+| ----------- | ------------------------------------------------------------ | -------- |
+| model   | 设置需要监测的模型               | 是       |
+
+```python
+GradientMonitor.__init__(config_path)
+```
+
+**参数说明**
+
+| 参数名称    | 说明                                                         | 是否必选 |
+| ----------- | ------------------------------------------------------------ | -------- |
+| config_path | 配置文件路径，需要以.yaml结尾                                  | 是      |
+
+# FAQ 
+
diff --git a/debug/accuracy_tools/grad_tool/img/image-1.png b/debug/accuracy_tools/grad_tool/img/image-1.png
new file mode 100644
index 0000000000000000000000000000000000000000..bee75b8b42e4d63137c554cb703ddd7f70d8c1ce
Binary files /dev/null and b/debug/accuracy_tools/grad_tool/img/image-1.png differ
diff --git a/debug/accuracy_tools/grad_tool/img/image.png b/debug/accuracy_tools/grad_tool/img/image.png
new file mode 100644
index 0000000000000000000000000000000000000000..5a498f5d2a77d8808d36d5c12e52c87809137bd0
Binary files /dev/null and b/debug/accuracy_tools/grad_tool/img/image.png differ