视觉实体变化大，在不同场景下视觉Transformer性能未必很好——多尺度问题图像分辨率高，像素点多，Transformer基于全局自注意力的计算导致计算量较大——tokens序列长度问题针对上述两个问题，我们提出了一种包含Shifted Window操作，具有层级设计的。:::warningShifted Window操作包括不重叠的local window，和重叠的cross-window

在本文中，**我们提出了一种简单、干净且功能强大的语义分割方法SegFormer，它包含一个位置编码无关的、分层的Transformer编码器和一个轻量级的AllMLP解码器。但是，position embedding的大小是固定的，因此，当测试的时候输入分辨率与训练的时候的分辨率不一致的话，positional code就需要被插值，导致精度的下降。我们的解码器设计**借鉴了Transforme

近期hugging face官网无法直接从国内访问（可用梯子解决），故无法像之前方法在服务器上直接访问，本文采取的方法是：使用国内替换原hugging face网站，https://hf-mirror.com/。但这样势必会带来一些问题，这里将使用DreamBooth生成“土豆先生”作为示例，逐一描述本人遇到的问题：

解决ipv4无法访问网络问题