特性: 支持预先计算的图像嵌入

实现这项功能可以有效地训练 Lit 样式的剪辑模型。当有可靠的视觉编码器且目标是将其映射到字幕（例如多语言字幕）时，这非常有用。https://GitHub.com/lucidrains/DALLE2-pytorch/blob/main/train_diffusion_prior.py 提供了一个很好的数据加载器，可用于嵌入和字幕。我们可能会在这方面开展工作，不需要请其他人来完成 :)