1.ping 网址
2.ssh nscc/l20
3.crtl+,打开vscode的setting
4.win 10修改ssh配置文件及其密钥权限为600 - 晴云孤魂 - 博客园
整体来看：
使用transformer作为其主干网络，代替了原先的UNet
在latent space进行训练，通过transformer处理潜在的patch
输入的条件（timestep 和 text/label )的四种处理方法：
In-context conditioning： 将condition和input embedding合并成一个tokens（concat），不增加额外计算量
Cross-attention block：在transformer中插入cross attention，将condition当作是K、V，input当作是Q
Adaptive layer norm (adaLN) block：将timestep和 text/label相加，通过MLP去回归参数scale和shift，也不增加计算量。并且在每一次残差相加时，回归一个gate系数。
adaLN-Zero block：参数初始化为0，那么在训练开始时，残差模块当于identical function。
整体流程：patchify -> Transfomer Block -> Linear -> Unpatchify。 注意最后输出的维度是原来维度的2倍，分别输出noise和方差。
由下图可见，adaLN-Zero最好。然后就是探索各种调参效果，此处略。
