在visual encoder之后sampling，并sampling了8个clip，每个clip长度为5 seconds
在v0.2.5的时候发现，在encoder之前sampling结果只有原来的一半
经过v0.2的经验，就把sampling环节定格在encoder之后
同时在modeling模块增加了self.clip_num,self.frame_num，改起来更加方便
similarity在cross encoder之后进行计算，效果较差
利用几个最佳实验设置选项，在3*8的情况下跑出最好结果
- visual encoder使用了VideoSwinT，然而效果掉了一半。怀疑是patch的处理不太对劲，打算更换一个cross encoder
- eval的时候发现，把visual mask全部置为1将非常有利于效果的提升。现在还没做baseline的实验
- 怀疑eval的写法有些问题，当前还没改
- 结构精简为swin、cross、dec。其中dec来自bert.LMHead
- 把预训练模型载入，具体改的部分在xxx_simple.py文件里，同时意识到之前eval的时候可能没有载入对应的weight
- 实现了swin backbone+Transformer backbone的正常结果，同时将siamese sampling通过trigger的方式融入，但是由于资源等原因无法跑过SOTA