img2col：将特征图image（3D）根据卷积核的尺寸按原图对应位置展开成行col（2D）。
当卷积步长小于核边长时，img2col会造成特征图像素的重叠复制增加内存，但是依然是更有效率的。
核矩阵：将每个卷积核展成一列，即核矩阵的高为k*k*（
为每个卷积核的通道数），宽为
特征图矩阵：image2col的关键就是根据卷积步长和卷积核的尺寸将featuremap(3D)按原图的位置依次转化成 由多个宽为k*k*的行向量（col），这些col拼成了特征图矩阵。
以下为乱写了。。。。。。
假设原图为H1*W1*C，卷积核为k*k*C*Fn（Fn为卷积核数目）
H*W个行向量（行向量维度为k*k*C），image矩阵维度为（H*W）*（k*k*C），然后将每个卷积核也展开成k*k*C的列向量，因此核矩阵的维度为(k*k*C)*Fn。
矩阵乘法后即为（H*W）*Fn，H*W为卷积后输出特征图的尺寸，Fn就是特征图的输出通道数。
- 无论是pytorch还是tensorflow其都是接收一个batch的数据进行处理，因此其卷积运算的矩阵乘法实现也是一个batch一次运算的。而把输入图片input转换成矩阵的过程就是img2col。
- 首先将filter展开为（filter_h * filter_w * in_channnel, out_channel）大小的2D矩阵
- 如果按数学上的运算，则卷积读取内存是不连续的，会增加时间成本。因此才有了img2col,矩阵在内存中是一个连续的内存块。在matlab中img2col是将img每次卷积运算对应的patch展开成列向量。而在caffe中是将每个patch转换成行，本质上没区别。以下为tensorflow中的过程，类似matlab。