本文摘自https://blog.csdn.net/qianqing13579/article/details/71844172
https://blog.csdn.net/xizero00/article/details/51049858
首先将一个卷积核展成一个K*K的行向量，将输入图像转换成滑动窗口矩阵，滑动窗口矩阵的行数是每个卷积核含有权数的个数，列数是输出元素的个数，这是为了能使用矩阵乘法而构造的。
下图同样道理
上图的stride_h和stride_w都为3，所以输出元素个数恰巧是9，根据颜色可对应。
利用矩阵乘法，即可实现二维卷积。
结合另一篇论文https://blog.csdn.net/tiaozhanzhe1900/article/details/83069854
如果kernel矩阵不变，可以实现weight stationary(WS) dataflow。
如果矩阵相乘部分和，在输出矩阵对应位置累加，则可以实现output stationary(OS) dataflow。
如果滑动窗口矩阵不变，可以实现no local reuse(NLR) dataflow。
为了实现Row stationary dataflow，可以先考虑一维卷积：
对一维卷积进行扩展，既然一个PE可以完成一行1K的filter与一行1H的输入的一维卷积，对于K*K的二维卷积，只需要K个PE，将K个PE结果累加，就能计算出二维卷积输出的一行元素。
而且filter的元素的固定的，input feature的元素可以平移，部分和可以累加，实现数据复用。
