mask：掩码
token：在NLP中每一个单词是token，在CV中把图像分割成不重叠的patch就是token

方法

算法流程

1. 对图片切分 patch， 随机挑选少部分（比如文中25%）作为网络输入；
2. 输入通过 encoder 得到对应编码后的 encoded patch；
3. 将 encoded patch 还原到对应的原始位置，并在缺失的部分补上 masked patches；
4. 送入 decoder， 每个 decoder 预测对应 patch 的图像像素点；
5. 计算预测的像素和原始图片的像素之间 MSE 作为 loss;
6. 取训练完的模型的 encoder 部分作为下游任务的 basemodel 并在下游任务下 finetune。