本文作为前序J6平台QAT精度调优教程的补充，总结地平线J6系列工具链QAT训练环节的各类典型异常问题以及定位解决的流程和思路。

本文为地平线PTQ实战指南，提供快速评测、校准部署、混合精度调优等步骤，帮助开发者高效优化模型性能与精度。

至此，BEVFormer中的Encoder和Decoder部分的逐行代码解析就完成了，如果后续有需求也可以再出一期关于解析Loss计算的文档，这部分比较基础，有兴趣的同学也可以先结合源码自学。

本文介绍了地平线征程6B计算平台的部署指南，涵盖硬件配置、工具链（PTQ/QAT）、模型转换、板端部署（UCP）及性能监测。

本文系统分析了目标检测中Anchor-Free、One-to-One和End-to-End三种范式的区别与联系。

本文介绍了征程6H/P计算平台的部署指南，重点分析了其硬件配置和功能特性。

和我们一起 step by step 跑通你的征程 6 参考算法 BEVFormer 代码吧！

从上述config文件可以看出，6个相机输出的图像在前向传播过程中依次经过了’ResNet’、‘FPN’获得了图像特征，然后经过’BEVFormerHead’模块中的’BEVFormerEncoder’和’DetectionTransformerDecoder’完成了特征融合的全过程。其中’BEVFormerEncoder’包括前后级联的’TemporalSelfAttention’和’Spati

本文介绍了Batch Normalization（BN）的核心原理及其在深度学习中的三种应用场景：常规训练、freezebn冻结模式（适用于迁移学习/微调和小批量训练）以及量化部署时的conv与bn融合技术。

本文介绍了Transformer算法在地平线计算芯片上的性能优化策略。针对Transformer部署中的计算量大、延迟高等问题，提出了6种优化方法：1）优化Softmax计算维度以提高并行度；2）调整输入张量Shape减少BPU硬件对齐耗时；3）优化数据搬运算子(Reshape/Transpose)；4）使用QAT封装算子避免显式Transpose；5）用四维算子替代三维算子发挥BPU优势；6）使