说明
一个代码里涉及到了unfold的操作，看了半天官网都没整明白维度怎么变化的，参考这个链接搞明白了：
https://blog.csdn.net/ViatorSun/article/details/119940759
https://zhuanlan.zhihu.com/p/361140988
维度计算
输入（ N, C, H, W）
输出（N,C×∏(kernel_size),L）
L 是通过卷积核 滑动裁剪 后，得到的区块的数量。
C×∏(kernel_size)是怎么来的？
从第一个参考链接的图可以看到，就是窗口滑动的时候，把窗口同一个位置的值放在了一个通道，所以窗口有多少个像素，就变成了多少个通道。
用参考博客的代码做一个示例：
inputs = torch.randn(1, 2, 4, 4)
print(inputs.size())
print(inputs)
unfold = torch.nn.Unfold(kernel_size=(2, 2), stride=2)
patches = unfold(inputs)
print(patches.size())
print(patches)
输出结果
torch.Size([1, 2, 4, 4])
tensor([[[[ 0.4448, -1.8525, -1.8243, -1.0243],
[ 0.0224, -1.2402, -0.7154, -1.2538],
[-0.6515, -0.6022, 0.2263, -1.6286],
[ 0.2067, 0.8257, -1.9318, 1.0372]],
[[ 2.4799, -0.5248, -0.3170, 1.5934],
[-0.3643, 1.1624, -1.5762, -0.1827],
[-0.0553, 0.1629, -1.3280, -0.8468],
[ 0.0671, 1.6328, 1.1706, 1.7891]]]])
torch.Size([1, 8, 4])
tensor([[[ 0.4448, -1.8243, -0.6515, 0.2263],
[-1.8525, -1.0243, -0.6022, -1.6286],
[ 0.0224, -0.7154, 0.2067, -1.9318],
[-1.2402, -1.2538, 0.8257, 1.0372],
[ 2.4799, -0.3170, -0.0553, -1.3280],
[-0.5248, 1.5934, 0.1629, -0.8468],
[-0.3643, -1.5762, 0.0671, 1.1706],
[ 1.1624, -0.1827, 1.6328, 1.7891]]])
用两个窗口的情况来举例，每个位置对应的结果情况如下：
