我试图理解一个使用PyTorch转置卷积函数的示例代码片段，文档为here，作者在文档中写道：
“padding参数有效地将零填充的dilation *（kernel_size - 1）- padding量添加到两个大小的输入中.”
考虑下面的代码片段，其中包含全1的形状[1, 1, 4, 4]的样本图像被输入到ConvTranspose2D操作，该操作具有参数stride=2和padding=1，形状(1, 1, 4, 4)的权重矩阵具有来自1和16之间的范围的条目（在本例中为dilation=1和added_padding = 1*(4-1)-1 = 2）

sample_im = torch.ones(1, 1, 4, 4).cuda()
sample_deconv = nn.ConvTranspose2d(1, 1, 4, 2, 1, bias=False).cuda()
sample_deconv.weight = torch.nn.Parameter(
    torch.tensor([[[[ 1.,  2.,  3.,  4.], 
                    [ 5.,  6.,  7.,  8.], 
                    [ 9., 10., 11., 12.], 
                    [13., 14., 15., 16.]]]]).cuda())

得到：

>>> sample_deconv(sample_im)
tensor([[[[ 6., 12., 14., 12., 14., 12., 14.,  7.],
          [12., 24., 28., 24., 28., 24., 28., 14.],
          [20., 40., 44., 40., 44., 40., 44., 22.],
          [12., 24., 28., 24., 28., 24., 28., 14.],
          [20., 40., 44., 40., 44., 40., 44., 22.],
          [12., 24., 28., 24., 28., 24., 28., 14.],
          [20., 40., 44., 40., 44., 40., 44., 22.],
          [10., 20., 22., 20., 22., 20., 22., 11.]]]], device='cuda:0',
       grad_fn=<CudnnConvolutionTransposeBackward>)

现在，我已经看到了没有步长和填充的转置卷积的简单例子。例如，如果输入是2x2图像[[2, 4], [0, 1]]，并且具有一个输出通道的卷积滤波器是[[3, 1], [1, 5]]，那么得到的(1, 1, 3, 3)形状的Tensor可以看作是下图中的四个彩色矩阵之和：

问题是，我似乎找不到在同一个可视化中使用stride和/或padding的示例。根据我的代码片段，我很难理解padding是如何应用于示例图像的，或者stride是如何工作以获得此输出的。任何见解都很感谢，即使仅仅理解如何计算结果矩阵的x1M14 N1 x项中的x1M13 N1 x或x1M16 N1 x项中的x1M15 N1 x也是非常有帮助的。