需要两个先验知识：
1.attention的实现原理：在没有额外监督信息的情况下，attention怎么实现对关键部位的注意
2.如何通过矩阵操作来实现图片的仿射变换
整体结构：
stn包含三个模块：
1.Localisation net
用来预测仿射变换需要的6个参数，实质上就是一个全连接最后输出6个值的普通卷积网络
2.Grid generator
坐标映射，将输出的特征图V上的规则空间网格G通过第一步中学习到的参数Tθ映射回输入的特征图U
这里G可以理解为V上的所有点的集合（这里只讨论单通道图片），Tθ（G）是U上的一些点，不一定是全部。
如上图（图取自原论文）（a）中，Tθ（G）指的就是U上所有点，因为是恒等变换，而绝大多数情况是（b）这种情况，Tθ（G）指的是U上一部分点（绿点部分）
（s=source，源域，，t=target，目标域）
这一步的工作就是为了求出U中需要参与映射的点的坐标
3.Sampler
将2中求得的U中参与映射的点映射到V上
用双线性插值处理小数问题
思想跟attention很像
原论文：https://arxiv.org/pdf/1506.02025.pdf
pytorch代码：https://github.com/pytorch/tutorials/blob/master/intermediate_source/spatial_transformer_tutorial.py
代码解读（略）：http://studyai.com/pytorch-1.4/intermediate/spatial_transformer_tutorial.html
李宏毅视频：https://www.bilibili.com/video/BV1xb411C7Qi?p=5
优秀bolg：https://blog.csdn.net/qq_39422642/article/details/78870629
为什么选用双线性插值：https://zhuanlan.zhihu.com/p/46751261