1. torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1)
torch.nn.Unfold按照官方的說法，既從一個batch的樣本中，提取出滑動的局部區域塊，也就是卷積操作中的提取kernel filter對應的滑動窗口。
1）由上可知，torch.nn.Unfold的參數跟nn.Conv2d的參數很相似，即，kernel_size(卷積核的尺寸)，dilation(空洞大小)，padding(填充大小)和stride(步長)。
2）官方解釋中：unfold的輸入爲（ N, C, H, W），其中N爲batch_size，C是channel個數，H和W分別是channel的長寬。則unfold的輸出爲（ N, C × π ( k e r n e l _ s i z e ) C\times\pi (kernel\_size) C×π(kernel_size), L），其中 π ( k e r n e l _ s i z e ) \pi (kernel \_size) π(kernel_size)爲kernel_size長和寬的乘積， L是channel的長寬根據kernel_size的長寬滑動裁剪後，得到的區塊的數量。
3）例如：輸入（1, 2, 4, 4），假設kernel_size = (2, 2)，stride = 2，根據官方給出的L計算公式
其中d是channel的維度，二維圖像既長寬的維度。則得到L（區塊數量）爲 ：
每個區塊的大小爲 C × \times × kernel_size[ 0 ] × \times × kernel_size[ 1 ] ，既 2 × 2 × 2 = 8，作爲輸出的第二個維度。
4） 代碼展示：
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)
5）對代碼結果分析，nn.Unfold對輸入channel的每一個kernel_size[ 0 ] × \times × kernel_size[ 1 ] 的滑動窗口區塊做了展平操作。
2. torch.nn.Fold(output_size, kernel_size, dilation=1, padding=0, stride=1)
torch.nn.Fold的操作與Unfold相反，將提取出的滑動局部區域塊還原成batch的張量形式。
1）代碼如下：
fold = torch.nn.Fold(output_size=(4, 4), kernel_size=(2, 2), stride=2)
inputs_restore = fold(patches)
print(inputs_restore)
print(inputs_restore.size())
2）代碼分析：Fold的操作通過設定output_size=(4, 4)，完成與Unfold的互逆的操作。
借鑑博文：https://blog.csdn.net/weixin_44076434/article/details/106545037?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromBaidu-1.control&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromBaidu-1.control