当发现使用 plugin 精度 debug 工具定位到是某个 linear 敏感时，示例如下

为了实现整体效率 - 准确率驱动的模型设计，研究团队从效率、准确率两方面分别提出改进方法。为了提高效率，该研究提出了轻量级分类 head、空间通道（spatial-channel）解耦下采样和排序指导的块设计，以减少明显的计算冗余并实现更高效的架构。为了提高准确率，研究团队探索了大核卷积并提出了有效的部分自注意力（partial self-attention，PSA）模块来增强模型能力，在低成本下

在自动驾驶视觉感知系统中，为了获得环绕车辆范围的感知结果，通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。其中比较有代表性的路线就是这两年很火的 BEV 方法，继 Tesla Open AI Day 公布其 BEV 感知算法之后，相关研究层出不穷，感知效果取得了显著提升，BEV 也几乎成为了多传感器特征融合的代名词。

在 征程 6 平台，我们可以按照这个方式编译 input_typr_rt 为 rgb，且 layout 为 NHWC 的模型。这样做的好处是，当用户的数据输入源本身就是 NHWC 的 rgb 图像时，这么做可以避免额外的数据处理操作。

征程 6 算法工具链使用过程中，会存在算法侧与软件侧的交接，偶尔会遇到，需要自证清白的情况，

在编写前后处理函数时，通常会多次用到一些变量，比如模型输入 tensor 的 shape，count 等等，若在每个处理函数中都重复计算一次，会增加部署时的计算量。

图像噪声（image noise）是[图像](https://zh.wikipedia.org/wiki/图像)中一种亮度或颜色信息的随机变化（被拍摄物体本身并没有），通常是电子噪声的表现。

通过出错通路的 buffer 状态可知，PYM1 的输出 buffer 都在 USED 队列，说明底层 buffer 都被用户层拿走了，进而导致用户获取帧失败，需要用户查看自己的持有帧逻辑和归还逻辑；

自动驾驶场景中，常见的是多路感知通路，在不考虑应用获取释放帧异常操作的前提下，一般出现帧获取异常的情况，主要原因是通路中某段断流的情况，如何去准确的定位，对大部分客户来说，依赖我司的支持；针对这种情况，会列举几种断流日志分析；

本文使用 pytorch 框架，以 conv 为例，介绍如何同时满足 conv int32 + NCHW/NHWC 这两种情况。另外，专开一个章节介绍 scale 为 1 的原因。