1. torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1)
torch.nn.Unfold按照官方的说法，既从一个batch的样本中，提取出滑动的局部区域块，也就是卷积操作中的提取kernel filter对应的滑动窗口。
1）由上可知，torch.nn.Unfold的参数跟nn.Conv2d的参数很相似，即，kernel_size(卷积核的尺寸)，dilation(空洞大小)，padding(填充大小)和stride(步长)。
2）官方解释中：unfold的输入为（ N, C, H, W），其中N为batch_size，C是channel个数，H和W分别是channel的长宽。则unfold的输出为（ 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)为kernel_size长和宽的乘积， L是channel的长宽根据kernel_size的长宽滑动裁剪后，得到的区块的数量。
3）例如：输入（1, 2, 4, 4），假设kernel_size = (2, 2)，stride = 2，根据官方给出的L计算公式
其中d是channel的维度，二维图像既长宽的维度。则得到L（区块数量）为 ：
每个区块的大小为 C × \times × kernel_size[ 0 ] × \times × kernel_size[ 1 ] ，既 2 × 2 × 2 = 8，作为输出的第二个维度。
4） 代码展示：
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）对代码结果分析，nn.Unfold对输入channel的每一个kernel_size[ 0 ] × \times × kernel_size[ 1 ] 的滑动窗口区块做了展平操作。
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。
1）代码如下：
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）代码分析：Fold的操作通过设定output_size=(4, 4)，完成与Unfold的互逆的操作。
借鉴博文：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
来源：oschina
链接：https://my.oschina.net/u/4323266/blog/4809795