unfold将Tensor想象为具有重复的值的列/行的较长Tensor，这些值"折叠"在彼此的顶部，然后"展开"：

• size确定折叠的大小
• step确定折叠的频率

例如，对于2x5Tensor，用step=1展开它，并在dim=1上修补size=2：

x = torch.tensor([[1,2,3,4,5],
                  [6,7,8,9,10]])

>>> x.unfold(1,2,1)
tensor([[[ 1,  2], [ 2,  3], [ 3,  4], [ 4,  5]],
        [[ 6,  7], [ 7,  8], [ 8,  9], [ 9, 10]]])

fold大致与此操作相反，但在输出中对"重叠"值求和。

unfold和fold用于简化“滑动窗口”操作（如卷积）。假设您要将函数foo应用于特征Map/图像中的每个5x5窗口：

from torch.nn import functional as f
windows = f.unfold(x, kernel_size=5)

现在windows有了批处理的size-（55x.size(1)）-num_windows，您可以在windows上应用foo：

processed = foo(windows)

现在您需要将processed“折叠”回x的原始大小：

out = f.fold(processed, x.shape[-2:], kernel_size=5)

您需要注意padding和kernel_size，它们可能会影响您将processed“折叠”回x大小的能力。此外，fold * 对重叠元素求和 *，因此您可能需要将fold的输出除以补丁大小。
请注意，torch.unfold执行的操作与nn.Unfold不同。有关详细信息，请参见this thread。

一维展开很容易：

x = torch.arange(1, 9).float()
print(x)
# dimension, size, step
print(x.unfold(0, 2, 1))
print(x.unfold(0, 3, 2))

输出：

tensor([1., 2., 3., 4., 5., 6., 7., 8.])
tensor([[1., 2.],
        [2., 3.],
        [3., 4.],
        [4., 5.],
        [5., 6.],
        [6., 7.],
        [7., 8.]])
tensor([[1., 2., 3.],
        [3., 4., 5.],
        [5., 6., 7.]])

二维展开（也称为 * 修补 *）

一个二个一个一个

由于4-DTensor没有答案，并且nn.functional. unflown（）只接受4-DTensor，我将对此进行解释。
假设输入Tensor的形状为(batch_size, channels, height, width)，我举了一个例子，其中batch_size = 1, channels = 2, height = 3, width = 3。

kernel_size = 2，它只是一个2x2内核