img2col：將特征圖image（3D）根據卷積核的尺寸按原圖對應位置展開成行col（2D）。
當卷積步長小於核邊長時，img2col會造成特征圖像素的重疊復制增加內存，但是依然是更有效率的。
核矩陣：將每個卷積核展成一列，即核矩陣的高為k*k*
（為每個卷積核的通道數），寬為
特征圖矩陣：image2col的關鍵就是根據卷積步長和卷積核的尺寸將featuremap(3D)按原圖的位置依次轉化成 由多個寬為k*k*的行向量（col），這些col拼成了特征圖矩陣。
以下為亂寫了。。。。。。
假設原圖為H1*W1*C，卷積核為k*k*C*Fn（Fn為卷積核數目）
H*W個行向量（行向量維度為k*k*C），image矩陣維度為（H*W）*（k*k*C），然后將每個卷積核也展開成k*k*C的列向量，因此核矩陣的維度為(k*k*C)*Fn。
矩陣乘法后即為（H*W）*Fn，H*W為卷積后輸出特征圖的尺寸，Fn就是特征圖的輸出通道數。
- 無論是pytorch還是tensorflow其都是接收一個batch的數據進行處理，因此其卷積運算的矩陣乘法實現也是一個batch一次運算的。而把輸入圖片input轉換成矩陣的過程就是img2col。
- 首先將filter展開為（filter_h * filter_w * in_channnel, out_channel）大小的2D矩陣
- 如果按數學上的運算，則卷積讀取內存是不連續的，會增加時間成本。因此才有了img2col,矩陣在內存中是一個連續的內存塊。在matlab中img2col是將img每次卷積運算對應的patch展開成列向量。而在caffe中是將每個patch轉換成行，本質上沒區別。以下為tensorflow中的過程，類似matlab。
