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

ReID/OSNet 算法模型量化转换实践

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

帮助大家更好地理解两种激活函数在实际场景中的差异和应用

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。

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

明确模型的输入与输出定义模型的损失函数LLM，即大语言模型，本质上是一个“token 接龙”高手，它不断预测下一个词符。这种推理生成方式被称为自回归模型，因为模型的输出会作为下一轮的输入，形成一个循环。刚开始，一个随机大模型，面对输入，它预测的下一个字符完全是随机的那么，它是如何学习的呢？在自注意力机制中，通过为 qk 增加掩码，softmax 后将负无穷对应到 0，隐藏掉 n 字符以后的内容。这

明确模型的输入与输出定义模型的损失函数LLM，即大语言模型，本质上是一个“token 接龙”高手，它不断预测下一个词符。这种推理生成方式被称为自回归模型，因为模型的输出会作为下一轮的输入，形成一个循环。刚开始，一个随机大模型，面对输入，它预测的下一个字符完全是随机的那么，它是如何学习的呢？在自注意力机制中，通过为 qk 增加掩码，softmax 后将负无穷对应到 0，隐藏掉 n 字符以后的内容。这

推理多任务模型时，可能会有不同任务分支 部署不同帧率的需求，例如 BEV 动态任务 20 帧，静态任务 10 帧这种情况。此时，重复的公共部分 backbone+neck 会重复占用内存与存储，且 backbone+neck 重复推理，会造成多余的资源消耗、影响性能。为了解决这些问题，且实现不同任务分支推理不同帧率，可以使用工具链提供的 link 打包功能。工具链提供的 link 功能，能够 复用

VLA (Vision Language Action)是一种多模态机器学习模型，结合了视觉、语言和动作三种能力，旨在实现从感知输入直接映射到控制动作的完整闭环能力。VLA强调一体化多模态端到端架构，非感知规控的模块化方案。