class GlobalAttention(nn.Module):
    def __init__(self,
                 dim=256,
                 num_heads=16,
                 qkv_bias=False,
                 window_size=8,
                 relative_pos_embedding=True
                 ):

        super().__init__()
        self.num_heads = num_heads  # 初始化注意力头的数量
        head_dim = dim // self.num_heads  # 计算每个注意力头的特征维度
        self.scale = head_dim ** -0.5  # 计算缩放因子，用于注意力计算中的点积。
        self.ws = window_size  # 初始化局部窗口的大小。

        self.qkv = Conv(dim, 3 * dim, kernel_size=1, bias=qkv_bias)  # 初始化一个卷积层，用于生成Query、Key和Value。
        self.proj = SeparableConvBN(dim, dim, kernel_size=window_size)  # 初始化一个可分离卷积层，用于投影输出。

        self.attn_x = nn.AvgPool2d(kernel_size=(window_size, 1), stride=1,
                                   padding=(window_size // 2 - 1, 0))  # 初始化水平方向的平均池化层，用于整合全局信息。
        self.attn_y = nn.AvgPool2d(kernel_size=(1, window_size), stride=1,
                                   padding=(0, window_size // 2 - 1))  # 初始化垂直方向的平均池化层，用于整合全局信息。
        self.relative_pos_embedding = relative_pos_embedding
        # 初始化是否使用相对位置嵌入的标志。
        if self.relative_pos_embedding:  # 如果使用了相对位置嵌入，会定义一个相对位置偏置表
            # define a parameter table of relative position bias
            self.relative_position_bias_table = nn.Parameter(
                torch.zeros((2 * window_size - 1) * (2 * window_size - 1), num_heads))  # 2*Wh-1 * 2*Ww-1, nH

            coords_h = torch.arange(self.ws)  # 创建一个包含窗口大小ws内所有水平坐标的张量。
            coords_w = torch.arange(self.ws)  # 创建一个包含窗口大小ws内所有垂直坐标的张量。
            coords = torch.stack(torch.meshgrid([coords_h, coords_w]))  # 2, Wh, Ww #使用meshgrid函数创建一个包含所有水平和垂直坐标的张量。
            coords_flatten = torch.flatten(coords, 1)  # 2, Wh*Ww将三维坐标张量展平为一维张量。

            relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]
            # 2, Wh*Ww, Wh*Ww 计算所有坐标对之间的相对位置，即每个坐标相对于其他所有坐标的差

            relative_coords = relative_coords.permute(1, 2, 0).contiguous()

            relative_coords[:, :, 0] += self.ws - 1  # shift to start from 0将相对坐标的第一个维度增加ws - 1，以确保坐标从0开始。
            relative_coords[:, :, 1] += self.ws - 1  # 将相对坐标的第二个维度增加ws - 1，以确保坐标从0开始。
            relative_coords[:, :, 0] *= 2 * self.ws - 1  # 调整相对坐标的第一个维度，使其范围变为[-2*ws+1, 2*ws-1]。

            relative_position_index = relative_coords.sum(-1)  # Wh*Ww, Wh*Ww将相对坐标的两个维度合并为一个单一的索引，用于访问相对位置偏置表。
            self.register_buffer("relative_position_index", relative_position_index)  # 将相对位置索引注册为一个缓冲区，以便在模型训练过程中重复使用。

            trunc_normal_(self.relative_position_bias_table, std=.02)
            # 使用trunc_normal_函数初始化相对位置偏置表，这是一种常用的初始化技术，用于生成服从截断正态分布的参数。

    def pad(self, x, ps):  # 定义一个函数，接受一个特征图x和一个填充大小ps作为参数。
        _, _, H, W = x.size()  # 获取特征图x的形状，并提取高度H和宽度W。
        if W % ps != 0:  # 如果特征图的宽度W不能被填充大小ps整除，则需要进行填充。
            x = F.pad(x, (0, ps - W % ps),
                      mode='reflect')  # 使用F.pad函数在特征图的右侧添加填充，填充大小为ps - W % ps，填充模式为'reflect'，这意味着新的像素值将反映原始像素值。
        if H % ps != 0:  # 如果特征图的高度H不能被填充大小ps整除，则需要进行额外的填充。
            x = F.pad(x, (0, 0, 0, ps - H % ps),
                      mode='reflect')  # 使用F.pad函数在特征图的下方添加填充，填充大小为ps - H % ps，填充模式为'reflect'。
        return x  # 返回填充后的特征图。

    def pad_out(self, x):  # 定义一个函数，接受一个特征图x作为参数。
        x = F.pad(x, pad=(0, 1, 0, 1), mode='reflect')  # 使用F.pad函数在特征图的右侧和下方添加填充，填充大小为1，填充模式为'reflect'。
        return x

    def forward(self, x):
        B, C, H, W = x.shape
        x = self.pad(x, self.ws)  # 填充输入特征图以适应窗口大小。
        B, C, Hp, Wp = x.shape  # 获取填充后的特征图的形状。
        qkv = self.qkv(x)  # 生成Query、Key和Value。
        q, k, v = rearrange(qkv, 'b (qkv h d) (hh ws1) (ww ws2) -> qkv (b hh ww) h (ws1 ws2) d', h=self.num_heads,
                            d=C // self.num_heads, hh=Hp // self.ws, ww=Wp // self.ws, qkv=3, ws1=self.ws,
                            ws2=self.ws)  # 重新排列Query、Key和Value以适应注意力机制的计算。
        dots = (q @ k.transpose(-2, -1)) * self.scale  # 计算点积，并应用缩放因子。
        # 如果使用了相对位置嵌入，将相对位置偏置加到点积上。
        if self.relative_pos_embedding:  # 如果启用了相对位置嵌入
            relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
                self.ws * self.ws, self.ws * self.ws, -1)  # Wh*Ww,Wh*Ww,nH获取相对位置偏置表，并根据相对位置索引进行调整。
            relative_position_bias = relative_position_bias.permute(2, 0,
                                                                    1).contiguous()  # nH, Wh*Ww, Wh*Ww重新排列相对位置偏置，以便与点积的形状匹配
            dots += relative_position_bias.unsqueeze(0)  # 将相对位置偏置加到点积上。

        attn = dots.softmax(dim=-1)  # 应用softmax函数计算注意力权重。
        attn = attn @ v  # 注意力权重应用于Value。

        attn = rearrange(attn, '(b hh ww) h (ws1 ws2) d -> b (h d) (hh ws1) (ww ws2)', h=self.num_heads,
                         d=C // self.num_heads, hh=Hp // self.ws, ww=Wp // self.ws, ws1=self.ws, ws2=self.ws)
        attn = attn[:, :, :H, :W]  # 裁剪注意力权重，使其与原始输入特征图的形状匹配。

        out = self.attn_x(F.pad(attn, pad=(0, 0, 0, 1), mode='reflect')) + \
              self.attn_y(F.pad(attn, pad=(0, 1, 0, 0), mode='reflect'))
        out = self.pad_out(out)  # 添加额外的填充，以适应输出特征图的尺寸。
        out = self.proj(out)
        # print(out.size())
        out = out[:, :, :H, :W]
        return out