提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

众所周知，Swin Transformer是计算机视觉的通用backbone，而论文的关键是作者提出了一种基于滑动窗口的自注意力机制（SW-MSA），窗口是如何划分的？为什么要这么去划分呢？划分之后的窗口比原来更多了，计算不会更麻烦吗？

一、窗口如何移动划分的？

将一张图用下图一样的窗口进行切分，就会切分成上图左边的形状；

将这个窗口向右下角移动，如下图所示，就会切分成上图右边的形状；

二、为什么要这么划分？

如果仅仅对于左图那样的划分去计算自注意力，那么块与块之间则毫无关联，仅仅会注意到自己的那一块，而和它相邻的块中信息则被忽略了，而再次对图进行右边一样的划分，好处是块与块之间有通信了，让原本被忽略的信息也计算进去了，正如swin transformer block中，对其进行W-MSA之后，再进行一次SW-MSA，这样就建立起了块与块之间的通信，效果也会更好。

三、 划分之后的窗口比原来更多了，计算不会更麻烦吗？

划分之后的问题就是，原来只需要计算四个块，而现在划分了九个块，而且麻烦的是块的大小还不一样，难道为每个块周围扩边，都扩成相同大小的再计算？那这样的话比原来计算量肯定会大一倍不止，此时，就想到了一个办法，对九个块进行循环位移，将上边的三个块移到下边，再将左边的三个块移到右边，这样的话就又成四个块了，如下图所示：

将左边红色的部分移动到中间红色部分的位置，再将中间绿色的部分移动到右边绿色部分的位置，即得到了四个块（画的有点扭曲，凑合看一下哈哈哈）

块是分好没问题了，但是又该怎么计算呢，直接去计算四个块吗？可是除了E这个块之外，其他的块都是来自不同的地方呀，F和D、H和B原来都不是相邻的块，更麻烦的是右下角的块，四块来自四个地方，此时就有了一种掩码的方式去计算它们的自注意力。
比如
H和B这一块的计算，展平之后进行计算如下图：

为什么是21个H，28个B呢？因为一个patch是77的大小，移动窗口的时候呢是移动patch/2的距离，也就是移动了3，所以H块的大小为73，B的大小为7*4，展平之后再乘以自身的转置，则得到了右边模板的结果，结果中HH和BB是我们想要的，但HB和BH是不想要的，因为B来自不同的地方并不是H的相邻块，此时就需要掩码来进行操作

对计算出的结果矩阵加上如图所示的模板，则会得到右边的结果，再对其进行sigmod激活函数之后，就得到我们想要的结果了。

而对于F和D块，方法类似，但展平的矩阵是条纹状的，得到的结果矩阵是网格式的，将其加上对应的模板即可，如下图：

总结

以上内容全是自己的理解所得，图也都是自己画的，画的不好请见谅，有不对的地方可以指出来互相学习