使用方法：
def unfold(input, kernel_size, dilation=1, padding=0, stride=1):
"""
input: tensor数据，四维， Batchsize, channel, height, width
kernel_size: 核大小，决定输出tensor的数目。稍微详细讲
dilation: 输出形式是否有间隔，稍后详细讲。
padding：一般是没有用的必要
stride： 核的滑动步长。稍后详细讲
"""假设我们现在有一个张量特征图，其size为[ 1, C, H, W]
我们想将这个特征图连续的在分辨率维度（H和W）维度取出特征。就像下面这样：
返回值是一个三维向量；【B, C* kH * kW, L】，
第一项为batchsize，
第二项为 “ kernel-size*kernel-size*C ” 即上图右方的一个立方体的 长*宽*高，
第三项为总共有多少个这样的小立方体
就是想把输入tensor数据，按照一定的区域（由核的长宽），不断沿着通道维度取出来，由步长指定核滑动的步长，由dilation指定核内区域哪些被跳过。
这里要说明一下，unfold函数的输入数据是四维，但输出是三维的。假设输入数据是[B, C, H, W], 那么输出数据是 [B, C* kH * kW, L], 其中kH是核的高，kW是核宽。 L则是这个高kH宽kW的核能在H*W区域按照指定stride滑动的次数。
上面公式中第一项是指核高kH的情况下，能在高H的特征图上滑动的次数，后一项则是在宽这个维度上。当然默认stride=1
具体如何计算输出的size
import torch
import torch.nn as nn
if __name__ == '__main__':
x = torch.randn(2, 3, 5, 5)
print(x)
unfold = nn.Unfold(2)
y = unfold(x)
print(y.size())
print(y)运行结果：
torch.Size([2, 12, 16])
接下来，我们一步一步分析这个结果是怎么计算出来的？
首先，要知道的是，我们的输入必须是4维的，即（B，C，H，W），其中，B表示Batch size；C代表通道数；H代表feature map的高；W表示feature map的宽。首先，我们假设经过Unfolder处理之后的size为（B，h，w）。然后我们需要计算h（即输出的高），计算公式如下所示：
这里是引用举个栗子：假设输入通道数为3，kernel size为（2，2），图片最常见的通道数为3（所以我们拿来举例），经过Unfolder方法后，输出的高变为3*2*2=12，即输出的H为12。
计算完成之后，我们需要计算w，计算公式如下所示：
其中，d代表的是空间的所有维度数，例如空间维度为（H，W），则d=2。下面通过举例，我们来计算输出的w。
举个栗子：如果输入的H、W分别为5，kernel size为2，则输出的w为
4*4=16，故最终的输出size为[2，12，16]。
fold()
torch.nn.Fold的操作与Unfold相反，将提取出的滑动局部区域块还原成batch的张量形式
Combines an array of sliding local blocks into a large containing tensor.将一组滑动局部块组合成一个包含张量的大张量。
