Swin Transformer原理与代码实现全解析

一、模型设计动机与核心创新

传统Transformer模型在处理高分辨率图像时面临两大挑战：一是全局自注意力计算带来的平方级复杂度（O(N²)），二是缺乏层次化特征表达能力。某主流技术方案提出的Vision Transformer（ViT）虽证明了纯Transformer架构在视觉领域的可行性，但其计算成本随图像尺寸增大急剧上升，难以直接应用于密集预测任务（如目标检测、分割）。

Swin Transformer的核心创新在于引入层次化窗口注意力机制，通过将全局注意力拆解为局部窗口内计算，并配合位移窗口策略实现跨窗口信息交互，在保持线性复杂度（O(N)）的同时构建多尺度特征。这种设计使其能无缝适配各类视觉任务，成为计算机视觉领域的重要技术突破。

二、核心架构解析

1. 层次化特征构建

模型采用类似CNN的4阶段金字塔结构，每个阶段通过patch merging层实现下采样与通道数扩展：

Stage1：输入图像（H×W）→ 4×4 patch分割 → 线性嵌入（C=96）
Stage2：2×2窗口合并 → 通道数翻倍（C=192）
Stage3：重复Stage2操作 → C=384
Stage4：最终下采样 → C=768

关键优势：每个阶段输出的特征图分辨率递减，而感受野逐步扩大，形成多尺度特征表示。

2. 窗口多头自注意力（W-MSA）

每个窗口内独立计算自注意力，计算公式为：

Attn(Q,K,V) = Softmax(QKᵀ/√d + B)V

其中B为相对位置编码，通过可学习的参数矩阵实现空间位置感知。窗口划分策略如下：

# 假设输入特征图尺寸为 [B, C, H, W]
window_size = 7  # 固定窗口大小
def window_partition(x, window_size):
    B, C, H, W = x.shape
    x = x.view(B, C, H//window_size, window_size, W//window_size, window_size)
    windows = x.permute(0, 2, 4, 1, 3, 5).contiguous()
    windows = windows.view(-1, C, window_size, window_size)  # [num_windows, C, W, W]
    return windows

复杂度分析：对于M×M窗口，W-MSA复杂度为O(M²·C)，远低于全局注意力的O(HW·C)。

3. 位移窗口划分（SW-MSA）

为解决窗口间信息隔离问题，引入循环位移策略：

def shift_window(x, shift_size):
    B, C, H, W = x.shape
    x = torch.roll(x, shifts=[-shift_size, -shift_size], dims=[2, 3])
    return x
# 反向位移恢复原始位置
def reverse_shift_window(x, shift_size):
    return torch.roll(x, shifts=[shift_size, shift_size], dims=[2, 3])

位移模式：在偶数阶段向左上方移动⌊W/2⌋个像素，奇数阶段恢复原位。配合掩码机制处理边界问题：

def get_window_attention_mask(H, W, window_size, shift_size):
    # 生成相对位置掩码，确保位移后窗口计算正确
    img_mask = torch.zeros((1, H, W, 1))
    cnt = 0
    for i in range(H // window_size):
        for j in range(W // window_size):
            start_h, start_w = i * window_size, j * window_size
            img_mask[:, start_h:start_h+window_size, 
                    start_w:start_w+window_size, :] = cnt
            cnt += 1
    # 处理位移后的掩码
    mask_windows = []
    num_windows = (H // window_size) * (W // window_size)
    for i in range(num_windows):
        for j in range(num_windows):
            if (i // (W//window_size)) == (j // (W//window_size)):
                mask_windows.append(True)
            else:
                mask_windows.append(False)
    return torch.tensor(mask_windows, dtype=torch.bool).reshape(num_windows, num_windows)

三、完整代码实现与注释

1. 基础模块定义

import torch
import torch.nn as nn
class WindowAttention(nn.Module):
    def __init__(self, dim, window_size, num_heads):
        super().__init__()
        self.dim = dim
        self.window_size = window_size
        self.num_heads = num_heads
        head_dim = dim // num_heads
        # 定义QKV投影层
        self.relative_position_bias_table = nn.Parameter(
            torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))
        coords_h = torch.arange(window_size[0])
        coords_w = torch.arange(window_size[1])
        # 生成相对位置索引
        coords = torch.stack(torch.meshgrid([coords_h, coords_w]))
        coords_flatten = torch.flatten(coords, 1)
        relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]
        relative_coords = relative_coords.permute(1, 2, 0).contiguous()
        relative_coords[:, :, 0] += window_size[0] - 1
        relative_coords[:, :, 1] += window_size[1] - 1
        relative_coords[:, :, 0] *= 2 * window_size[1] - 1
        relative_position_index = relative_coords.sum(-1)
        self.register_buffer("relative_position_index", relative_position_index)
    def forward(self, x, mask=None):
        B, N, C = x.shape
        head_dim = C // self.num_heads
        qkv = nn.functional.linear(x, torch.empty((C, C * 3))).chunk(3, dim=-1)
        Q, K, V = map(lambda t: t.view(B, N, self.num_heads, head_dim).transpose(1, 2), qkv)
        # 计算相对位置偏置
        relative_position_bias = self.relative_position_bias_table[
            self.relative_position_index.view(-1)].view(
            self.window_size[0] * self.window_size[1], 
            self.window_size[0] * self.window_size[1], -1)
        relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()
        relative_position_bias = relative_position_bias.view(
            N // self.window_size[0] // self.window_size[1], 
            self.window_size[0] * self.window_size[1], 
            self.window_size[0] * self.window_size[1])
        # 缩放点积注意力
        attn = (Q @ K.transpose(-2, -1)) * (1.0 / torch.sqrt(torch.tensor(head_dim, dtype=torch.float32)))
        attn = attn + relative_position_bias.unsqueeze(0)
        if mask is not None:
            nW = mask.shape[0]
            attn = attn.view(B // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
            attn = attn.view(-1, self.num_heads, N, N)
        attn = attn.softmax(dim=-1)
        x = (attn @ V).transpose(1, 2).reshape(B, N, C)
        return x

2. Swin Transformer块实现

class SwinTransformerBlock(nn.Module):
    def __init__(self, dim, input_resolution, num_heads, window_size=7, shift_size=0):
        super().__init__()
        self.dim = dim
        self.input_resolution = input_resolution
        self.num_heads = num_heads
        self.window_size = window_size
        self.shift_size = shift_size
        # 定义LayerNorm和MLP
        self.norm1 = nn.LayerNorm(dim)
        self.attn = WindowAttention(dim, window_size, num_heads)
        self.norm2 = nn.LayerNorm(dim)
        self.mlp = nn.Sequential(
            nn.Linear(dim, 4 * dim),
            nn.GELU(),
            nn.Linear(4 * dim, dim)
        )
        # 生成位移窗口掩码
        if min(self.input_resolution) <= self.window_size:
            self.shift_size = 0
            self.window_size = min(self.input_resolution)
    def forward(self, x):
        H, W = self.input_resolution
        B, L, C = x.shape
        assert L == H * W, "input feature has wrong size"
        shortcut = x
        x = self.norm1(x)
        x = x.view(B, H, W, C)
        # 位移窗口处理
        if self.shift_size > 0:
            shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))
        else:
            shifted_x = x
        # 窗口划分与注意力计算
        x_windows = window_partition(shifted_x, self.window_size)
        x_windows = x_windows.view(-1, self.window_size * self.window_size, C)
        # 生成掩码（实际实现需更复杂）
        attn_mask = None
        if self.shift_size > 0:
            # 此处应插入掩码生成逻辑
            pass
        attn_windows = self.attn(x_windows, mask=attn_mask)
        attn_windows = attn_windows.view(-1, self.window_size, self.window_size, C)
        # 反向位移
        if self.shift_size > 0:
            shifted_x = window_reverse(attn_windows, self.window_size, H, W)
            x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))
        else:
            x = window_reverse(attn_windows, self.window_size, H, W)
        x = x.view(B, H * W, C)
        # FFN部分
        x = shortcut + x
        x = x + self.mlp(self.norm2(x))
        return x

四、实践建议与优化方向

窗口大小选择：通常设为7×7或14×14，需平衡计算效率与感受野
位移策略优化：可尝试动态位移幅度而非固定⌊W/2⌋
相对位置编码：建议使用可学习的参数矩阵而非固定模式
多尺度训练：结合不同分辨率输入提升模型泛化能力
硬件适配：针对特定加速器优化窗口划分操作的内存访问模式

五、典型应用场景

图像分类：在ImageNet等数据集上达到87.3% Top-1准确率
目标检测：作为Mask R-CNN等检测器的骨干网络
语义分割：配合UperNet等结构实现高精度分割
视频理解：通过3D窗口注意力扩展至时空维度

该架构通过创新的窗口注意力机制，在保持Transformer模型优势的同时，解决了高分辨率图像处理的计算瓶颈问题，为视觉任务提供了高效的解决方案。完整实现可参考主流深度学习框架中的官方示例代码。