autoencoder
CLIP text encoder
tokenizer最大长度为77（CLIP训练时所采用的设置），当输入text的tokens数量超过77后，将进行截断，如果不足则进行paddings，这样将保证无论输入任何长度的文本（甚至是空文本）都得到77x768大小的特征
问题：当输出超长prompt会分段处理？每段的权重如何处理？
UNet
text condition将通过CrossAttention模块嵌入进来，此时Attention的query是UNet的中间特征，而key和value则是text embeddings。
SD图生图
SD Inpainting
第一种形式：
第二种形式：
