DeepSeek 使用技巧

下半部分，GS重建的过程，利用真实数据的先验，给出layout做约束，然后再加上prompt，再给一些这种参考图片，生成新的视角。生成模型比单纯的重建拥有更好的泛化性，能够控制天气、时间、车流等变量，生成多样化的场景来测试模型的适应性和泛化能力，实现了“15秒经历一年四季”的效果。左上半部分，输入是常规的传感器，包括摄像头和激光雷达。那这个时候信息进入到我们我们的一个Transformer的编码器

利用分词器为神经网络准备文本观察如何使用嵌入来识别文本数据的数值特征将文本转换为数值 token，加载 BERT 的分词器：（1）使用 从的模型库中加载的，具体是模型，区分大小写BERT 的分词器可以一次性编码多段文本tokenizer.encode 过程：可以用 convert_ids_to_tokens 来查看使用了哪些 token可以用直接 解码 编码过的文本，注意已经被添加进去了。文本分段

扩展 Module 类，需要定义两个方法：init：定义模块属性forward：设置如何处理来自前一层的任何输入数据nn.ReLU(),nn.ReLU(),

利用分词器为神经网络准备文本观察如何使用嵌入来识别文本数据的数值特征将文本转换为数值 token，加载 BERT 的分词器：（1）使用 从的模型库中加载的，具体是模型，区分大小写BERT 的分词器可以一次性编码多段文本tokenizer.encode 过程：可以用 convert_ids_to_tokens 来查看使用了哪些 token可以用直接 解码 编码过的文本，注意已经被添加进去了。文本分段

DeepSeek 使用技巧