Winograd大白话

先声明一些定义
输入：数量N，通道C，高H，宽W
卷积核：通道C，高R，宽S
F(m × n,r × s)： 输出m x n的图，卷积核大小r x s

一维的情况比较好懂。就是论文里写的F(2, 3)，就是2次[1 x 3]的卷积，输出2个结果。

这里解释一下 二维的例如F(6 x 6, 3 x 3)
有6 x 6次[3 x 3]的卷积。
因为卷积核大小为3 x 3，为了得到6 x 6的输出，其实会输入一张8 x 8的图。如果是边界的话，会通过padding一层0来保证信息没有丢失。

公式6还是很好理解，但是很粗暴地给出了公式8，我也不知道怎么来的（估计是线性代数的一些知识，一维变二维什么的），就当他是对的好了。。

所以有了这个公式，我们就可以在知道一个8x8的图和3x3卷积的情况下算出它们卷积之后结果。相比传统方法，这样省去了im2col的过程，且理论上乘法次数更少，实现起来也就若干次矩阵乘法。

然而，实际实现中，是不能直接用矩阵乘法来实现的，因为矩阵里面很多0，做了无效的操作，反而会更慢。所以我们需要用提取公因式的方法来计算最后的结果。在github上找个wincnn的计算器，然后手动计算公因式（微笑）。

以G x g x Gt为例，实现一个函数Iwt(g) = G x g，
则G x g x Gt = Iwt((Iwt(g))t) = G x (G x g)t = G x (gt x Gt) = G x gt x Gt，
然后你会奇怪这里本来要求G x g x Gt，结果算的G x gt x Gt，不过没事，因为其他几个函数也是做的转置，最后就会转置回去。

在外部代码的实现中，每次取8x8的框，移动步长6x6，把输出的6x6 Scatter到output_data里就可以了。注意一下处理边界。