imresize是正经图像变尺寸, 可以选变换方法，比如插值还是最近值 （nearest neighbor）， 对如普通图像插值更平滑， 而二值label需要用neareast neighbor， 不然就会从0， 1变成 浮点。resize可以对图像或者说2D矩阵使用，但结果是Padding一样的效果，扩充右边和下边边框。

hidden_states是输入x, 在上面第一块代码里即为x_norm, x_norm的维度是 所谓（B，L, D）， 这里有符号的不同， 这里的D其实就是上面C， 即为特征厚度，或说特征通道数。L是HxW， 即把图像拉长成一维数据。训练或推理时迭代的x， 是(B, C, H ,W), B 为batch size, C是channel dim, 比如浅层或许为1， 3， 深层512, H, W