MMAction2重要的几个配置参数

embed_dims（全称 embedding dimensions）是指每个 patch（块）或特征的通道数/维度，是 Transformer 或 Swin Transformer 等模型中最核心的特征表示维度。
embed_dims 必须能被 num_heads 整除
具体解释

• 在 Swin Transformer、ViT 等模型中，输入视频/图片会被切分成小块（patch），每个 patch 会被投影（线性变换）到一个高维空间，这个空间的维度就是 embed_dims。
• 后续所有的注意力、MLP 等操作，都是基于这个维度进行的。

举例

• 如果 embed_dims=96，每个 patch 会被编码成 96 维的特征向量。
• 如果 embed_dims=32，每个 patch 会被编码成 32 维的特征向量。

影响

• embed_dims 越大，模型表达能力越强，但参数量和计算量也越大。
• embed_dims 越小，模型更轻量，但表达能力会下降。