swin transformer相比于cnn的好处

Swin Transformer是一种新型的图像分类模型，相比传统的CNN模型，它具有以下几个优势：

1. 长程依赖性：Swin Transformer通过引入局部窗口机制和跨窗口连接，能够捕捉到更长程的依赖关系。这使得模型在处理大尺寸图像时能够更好地捕捉到全局信息。

2. 可扩展性：Swin Transformer采用分层的方式组织注意力机制，将图像分解为多个窗口，并在窗口级别上进行自注意力计算。这种分层的设计使得Swin Transformer在处理大尺寸图像时具有较好的可扩展性。

3. 并行计算：Swin Transformer的注意力计算可以并行进行，因为每个窗口之间是独立的。这使得Swin Transformer在GPU上的计算效率更高，能够更快地进行训练和推理。

4. 参数效率：相比于传统的CNN模型，Swin Transformer在处理大尺寸图像时需要更少的参数。这是因为Swin Transformer通过窗口化的方式将图像分解，并在窗口级别上进行自注意力计算，从而减少了参数量。