补充1：
-
局部窗口内的自注意力（W-MSA）:
- 在 Swin Transformer 中，输入特征图被划分为多个小的窗口（例如 7x7 的窗口）。在每个窗口内，计算自注意力机制（W-MSA, Window-based Multi-Head Self-Attention），这意味着每个 token 只和同一窗口内的其他 token 进行交互。
- 由于计算只发生在局部窗口内，所以计算复杂度大大降低，特别是对于高分辨率的输入图像来说，这种方式更加高效。
-
滑动窗口机制（Shifted Window Attention）:
- 为了在局部窗口之间传递信息，Swin Transformer 引入了滑动窗口机制。通过在不同的层中移动窗口的位置，使得相邻窗口之间的特征可以进行交流，从而保证全局上下文的信息逐步整合到特征中。
-
计算量的比较:
- 全局自注意力（MSA）：像 Vision Transformer (ViT) 这样的方法在整个特征图上计算自注意力，计算复杂度是 O((hw)²)。
- 窗口内自注意力（W-MSA）：Swin Transformer 仅在每个窗口内计算，计算复杂度降低为 O(W * M²)，其中 W 是窗口的数量，M 是窗口内的 token 数量（例如 7x7 = 49 个 token）。
-
滑动窗口的好处:
- 滑动窗口机制允许信息在不同窗口之间传递，而不仅仅局限在窗口内部。这种设计平衡了计算效率和特征提取的全局性，确保 Swin Transformer 可以在较低的计算复杂度下仍然获得良好的表现。
补充2：
关于特征图大小的解释：
-
输入图像大小（224x224）:
- 在大多数计算机视觉任务中，输入图像通常会被调整为 224x224 像素。
-
Patch Embedding 和 Stride=16:
- Vision Transformer (ViT) 通常会将输入图像划分为
16x16的 non-overlapping patches，然后将每个 patch 展平并映射到一个高维的特征空间。 - 因为每个 patch 的大小是 16x16，且是 non-overlapping 的，这相当于对输入图像应用了一个
Stride=16的卷积操作，将图像的空间分辨率从 224x224 减少到 14x14。
- Vision Transformer (ViT) 通常会将输入图像划分为
-
特征图大小（14x14）:
- 因此，经过
Stride=16的操作后，原始图像被划分为 14x14 个 patch，每个 patch 被视为一个 token。在 Vision Transformer 中，这 14x14 个 token 会形成一个 196 维的 token 序列。
- 因此，经过
Swin Transformer 的不同点：
Swin Transformer 在一些细节上和 ViT 有所不同：
- 多级特征图:
- Swin Transformer 处理的是逐级降低空间分辨率的特征图（类似于卷积神经网络中的多尺度特征），比如从最开始的较大特征图（例如
h=w=56）到最后的较小特征图。
- Swin Transformer 处理的是逐级降低空间分辨率的特征图（类似于卷积神经网络中的多尺度特征），比如从最开始的较大特征图（例如
- 滑动窗口与局部自注意力:
- 在 Swin Transformer 中，通过窗口内自注意力（W-MSA）和滑动窗口（Shifted Window）机制来逐步处理这些特征图，计算局部区域内的自注意力。
图中的特征图大小与实际应用：
在你提供的图片中，h=w=56 可能指的是在 Swin Transformer 的某个阶段，特征图被处理时的空间分辨率。例如，在较早的阶段，特征图的空间分辨率较高，经过几次降采样后，可能从 224x224 降到 56x56 甚至更低。
因此，特征图的大小 (14x14 或 56x56) 取决于模型的阶段以及具体的网络结构。在 Swin Transformer 中，早期层的特征图可能较大，而后期层的特征图可能较小，这与 Vision Transformer 中固定的 14x14 特征图有所不同。
补充3：
关于正文中h=w=56, m=7 的补充：
在 Swin Transformer 中，h=w=56 和 m=7 是针对特定阶段的特征图大小和窗口大小。这些参数在 Swin Transformer 中是有具体含义的：
1. h=w=56 的解释
- 初始阶段的特征图大小:
- Swin Transformer 通常会通过多级特征提取器（类似卷积神经网络中的多尺度特征提取），逐步缩小特征图的空间分辨率。
- 例如，在初始阶段，输入图像可能会被划分成大小为
4x4的 patch（相当于Stride=4），并将输入图像从原始的 224x224 分辨率降采样到 56x56 的特征图。 - 具体来说，224x224 的输入图像通过
Stride=4的操作后，特征图的大小变成 224/4 = 56，既h=w=56。
2. m=7 的解释
- 窗口大小（Window Size）:
- Swin Transformer 的一个关键特点是，它引入了基于窗口的多头自注意力（W-MSA），这个窗口是在特定大小的局部区域内进行自注意力计算的。
m=7表示窗口的大小为7x7，也就是说，在每一个7x7的局部区域内计算自注意力，而不是在整个56x56的全局上计算。- 通过将大的特征图（例如
56x56）划分为多个7x7的窗口，Swin Transformer 可以在保持计算量可控的前提下，捕捉局部的相关性。
Swin Transformer 的多级结构
Swin Transformer 的网络结构通常分为多个阶段，每个阶段的特征图大小和窗口大小可能有所不同：
- Stage 1: 假设输入图像为 224x224，通过
Stride=4的 patch embedding 操作，特征图的大小变为 56x56。 - Stage 2: 在 Stage 1 处理后的 56x56 特征图基础上，应用
7x7的窗口来进行局部自注意力计算。 - Stage 3: 特征图继续下采样到更小的分辨率（例如 28x28 或 14x14），然后继续应用更小的窗口进行计算。
注1：
注2：
class PatchMerging(nn.Module):r""" Patch Merging Layer.Args:dim (int): Number of input channels.norm_layer (nn.Module, optional): Normalization layer. Default: nn.LayerNorm"""def __init__(self, dim, norm_layer=nn.LayerNorm):super().__init__()self.dim = dimself.reduction = nn.Linear(4 * dim, 2 * dim, bias=False)self.norm = norm_layer(4 * dim)def forward(self, x, H, W):"""x: B, H*W, C"""B, L, C = x.shapeassert L == H * W, "input feature has wrong size"x = x.view(B, H, W, C)# padding# 如果输入feature map的H，W不是2的整数倍，需要进行paddingpad_input = (H % 2 == 1) or (W % 2 == 1)if pad_input:# to pad the last 3 dimensions, starting from the last dimension and moving forward.# (C_front, C_back, W_left, W_right, H_top, H_bottom)# 注意这里的Tensor通道是[B, H, W, C]，所以会和官方文档有些不同x = F.pad(x, (0, 0, 0, W % 2, 0, H % 2))x0 = x[:, 0::2, 0::2, :] # [B, H/2, W/2, C]x1 = x[:, 1::2, 0::2, :] # [B, H/2, W/2, C]x2 = x[:, 0::2, 1::2, :] # [B, H/2, W/2, C]x3 = x[:, 1::2, 1::2, :] # [B, H/2, W/2, C]x = torch.cat([x0, x1, x2, x3], -1) # [B, H/2, W/2, 4*C]x = x.view(B, -1, 4 * C) # [B, H/2*W/2, 4*C]x = self.norm(x)x = self.reduction(x) # [B, H/2*W/2, 2*C]return x正文：
