An re-implementation of SwinIR by paddle.
注意：
(1) 目录可以使用gh-md-toc生成；
(2) 示例repo和文档可以参考：AlexNet_paddle。
简单的介绍模型，以及模型的主要架构或主要功能，如果能给出效果图，可以在简介的下方直接贴上图片，展示模型效果。然后另起一行，按如下格式给出论文名称及链接、参考代码链接、aistudio体验教程链接。
注意：在给出参考repo的链接之后，建议添加对参考repo的开发者的致谢。
论文: title
参考repo: repo name
在此非常感谢$参考repo的 github id$等人贡献的repo name，提高了本repo复现论文的效率。
aistudio体验教程: 地址
给出本repo中用到的数据集的链接，然后按格式描述数据集大小与数据集格式。
格式如下：
- 数据集大小：关于数据集大小的描述，如类别，数量，图像大小等等
- 数据集下载链接：链接地址
- 数据格式：关于数据集格式的说明
基于上述数据集，给出论文中精度、参考代码的精度、本repo复现的精度、数据集名称、模型下载链接（模型权重和对应的日志文件推荐放在百度云网盘中，方便下载）、模型大小，以表格的形式给出。如果超参数有差别，可以在表格中新增一列备注一下。
如果涉及到轻量化骨干网络验证，需要新增一列骨干网络的信息。
首先介绍下支持的硬件和框架版本等环境的要求，格式如下：
- 硬件：xxx
- 框架：
- PaddlePaddle >= 2.2.0
然后介绍下怎样安装PaddlePaddle以及对应的requirements。
建议将代码中用到的非python原生的库，都写在requirements.txt中，在安装完PaddlePaddle之后，直接使用pip install -r requirements.txt安装依赖即可。
简单介绍下全量数据和少量数据分别怎么使用，给出使用命令。
可以在此提示用户怎么下载预训练模型、inference模型（如果有）
简单说明一下训练的命令，建议附一些简短的训练日志。
可以简要介绍下可配置的超参数以及配置方法。
简单说明一下评估的命令以及结果，建议附一些简短的评估日志。
在这里简单说明一下预测的命令，需要提供原始图像、文本等内容，在文档中体现输出结果。
如果repo中包含该功能，可以按照Inference推理、Serving服务化部署再细分各个章节，给出具体的使用方法和说明文档。
介绍下tipc的基本使用以及使用链接
本项目的发布受Apache 2.0 license许可认证。