swin transformer原始输入的形状

Swin Transformer 的原始输入形状为 `(batch_size, num_patches, hidden_dim)`，其中 `num_patches` 表示图像被分成的 patch 的数量，`hidden_dim` 表示每个 patch 的特征向量的维度。在 Swin Transformer 中，原始图像被分为多个 patch，并且每个 patch 会被看作一个序列，然后传入 Transformer 编码器进行处理。