可变形卷积DeformableConvolutionNet（DCN）理解
1. 为什么做DCN
传统的卷积采⽤固定尺⼨的卷积核，不能很好地适应⼏何形变
2. 什么是DCN
可形变卷积，卷积核的形状是可变的，也就是感受野可以变化，但注意感受野的元素是“不变”的。
3. DCN的具体实现
代码似乎也是按照这个流程写的，不过上⾯的输出结果不应该是（b*h*w*2c），⽽是（b*h*w* (2kernel_size*kernel_size)），因为只需要记录可变形卷积滤波器变形之后的位置，滤波器的原始尺⼨是kernel_size*kernel_size，需记录x坐标和y坐标，故为
2*kernel_size*kernel_size
代码参考，关键步骤及其解释如下：
这⼀步输⼊图⽚学习偏移量offt，输⼊的feature map尺⼨是（64，28，28）分别表⽰通道数，h和w。输出之所以是18通道的，是因为kernel size是3，卷积核有3*3=9个点，每个点都有x偏移量和y偏移量（从这⾥看得出每个输⼊通道做同样的偏移处理），18通道的前九个通道表⽰x偏移量，后9个通道表⽰y偏移量。
由于offt是偏移量，需要得到偏移之后的绝对坐标p，直接把偏移量加到原始坐标就好
原始坐标⼀般⽤meshgrid函数表⽰
最后，万事具备，偏移的位置都已经确定好了，⽤正常的卷积操作实现实现DCN：
注意执⾏_reshape_x_offt函数前x_offt的形状是torch.Size([32, 64, 28, 28, 9])，由于dcn的卷积核是3*3，所以感受野⾥总共9个元素（这也是最后⼀个通道是9点原因），reshape之后把9维向量的感受野展开成平⾯（torch.Size([32, 64, 84, 84])），⽽且由于
