swin transformer第一层提取特征

Swin Transformer 的第一层是一个卷积操作，它的作用是将输入图像分成多个小块，然后对每个小块进行特征提取。这个操作被称为 Patch Embedding。具体来说，它将输入图像分成若干个大小相等的小块，每个小块包含 N × N 个像素点，然后将每个小块中的像素点按照一定的顺序排列成一个向量，并对每个向量进行一个线性变换和一个非线性变换，得到一个新的向量，这个新的向量就是这个小块的特征表示。最后，将所有小块的特征表示拼接在一起，得到整个图像的特征表示。这个特征表示可以输入到后续的 Transformer 网络中进行进一步的处理。