国产成人HD,亚洲四虎.wwwads,黄色成人在线视频,国产福利在线,极品美女操逼性,久草综合视频,免费黄色A片视频,国产你懂的

大家好，我是DASOU。

前幾天我在B站錄制了一期講解SwinTRM模型的視頻：通宵做了近100頁PPT，累趴了

在這期視頻之后，有幾個小伙伴私下找到我說在一個小細(xì)節(jié)上和我理解的不同。

在SwinTRM中，一個比較重要的特點是把 self-att 放在一個窗口內(nèi)部，而不再是一整張圖片；

就好比是下面這個圖：

一整張圖【8，8】被分為了四個窗口，每個窗口的大小為【4，4】。

我在講解這一塊之前，專門扒了一下源代碼，然后談到了這么一句話，大致是這么說的：

SwinTRM block的輸入是單個窗口，而不再是整個圖片；對于單個窗口來說，它是把內(nèi)部的每個像素點當(dāng)成一個token送入到后續(xù)的模型中去；

好，重點來了，這幾個朋友私下談到和我理解不同的點就是在這里，因為上面這個圖的圖例上，很清楚的表明，在原論文中，灰色的框框，代表的應(yīng)該是一個patch，而不是一個像素點；

其實這幾個朋友的可能沒有注意到，在我視頻講解中，對這個像素點的定義不僅僅是一個數(shù)值，而是一個向量，也就是輸入到SwinTRM中的是這個像素點的所有通道數(shù)，也就是我PPT中的這個圖：

也就是說，在原論文中的灰色框框，本身就是一個【1，96】元素(注，不同階段可能維度不同)，也就是我在視頻中所稱的像素點；

和我討論的朋友觀點其實分為兩種；

第一種認(rèn)為，這個灰色框框代表的patch不是【1，96】這種向量，而是patch_size大于1，比如【2，2，96】這種patch_size大小為2的情況；從源碼角度來看，這種思路肯定是不正確的；

第二種朋友提醒我說，CV領(lǐng)域一般把最小處理單元稱之為cell或者patch，很少稱之為像素點；

其實第二種觀點目前來看，可能會更精準(zhǔn)一點；

因為在原論文中有這么一句話：

In?our?implementation,?we?use a?patch?size?of?4?×?4?and?thus?the?feature?dimension?of?each?patch?is?4?×?4×3?=?48.

也就是原論文也是把【1，48】這種稱之為一個patch，而不是一個像素點；

所以還是我用詞上可能沒用的特別準(zhǔn)，所以寫下這個文章，避免給大家?guī)碚`解。

大家在看視頻的時候，注意我的像素點的意思其實是當(dāng)前此時階段處理的最小單元就可以了；

B站講課視頻，差點翻車