swin transformer和vit

Swin Transformer和ViT都是基于Transformer架构的模型，用于图像分类任务。

Swin Transformer是一种新型的Transformer架构，它通过分层的方式来减少计算量和内存消耗，同时保持了较高的准确率。Swin Transformer在ImageNet数据集上取得了SOTA的结果。

ViT（Vision Transformer）是一种将图像转换为序列的方法，它将图像分成若干个小块，然后将每个小块的特征向量串联起来，作为输入序列。ViT在ImageNet数据集上也取得了很好的结果，并且在一些特定的任务上表现出色，比如对小样本数据的分类。