啥是“token”, 把一个RGB图像分割成不重叠的patch，每个patch就成为“token”, 每个patch的特征是每个patch的像素值排列，三通道，即48维 详见：https://zhuanlan.zhihu.com/p/367111046 https://zhuanlan.zhihu.com/p/361366090
