又回顾了一下DiT运作的方式发现其中有的地方我还不太熟，熟悉之后再大概记录一下
依旧还是像以前的博客一样，左边写被处理的东西，右边括号内写处理方式
训练
img(vae encode)
latent representation(加噪+time t)
带噪latent representation+time(patchify+linear/conv)
tokens(噪音预测)
预测的噪音(计算Loss)
Loss(反向传播更新参数)
推理
prompt(clip)
text condition
random noise latent (patchify+linear/conv+positional embedding+timestep embedding)
tokens with conditions(DiT)
predicted noise (sampler update)
denoised latent(repeat)
latent z_0 (VAE decode)
generated image
大概明确了一下潜空间里具体做了哪些和把图像转换为token的具体实现patchify/conv
