理解PyTorch中Conv2DTranspose的实现：带stride与padding的运算疑问

核心运算规则 #

带stride和padding的转置卷积可以简化为如下计算逻辑：
每个输入特征图上的点(x,y)，会将指定大小的卷积核完整映射到输出特征图上，映射的卷积核左上角坐标为(x * stride - padding, y * stride - padding)，输出特征图每个位置的最终值，是所有覆盖到该位置的卷积核元素的和。
本次示例参数：

• 输入为4x4全1张量，坐标范围x∈[0,3], y∈[0,3]
• 卷积核大小4x4，坐标范围k_i∈[0,3], k_j∈[0,3]，数值如下：

  [[ 1,  2,  3,  4],
   [ 5,  6,  7,  8],
   [ 9, 10, 11, 12],
   [13, 14, 15, 16]]
  

• stride=2，padding=1，无bias

输出位置数值计算示例 #

输出(0,0)位置的6 #

仅输入点(0,0)对应的卷积核会覆盖输出(0,0)：

• 输入点(0,0)对应的卷积核左上角坐标为(0*2 -1, 0*2 -1) = (-1, -1)
• 输出(0,0)对应卷积核的索引为(0 - (-1), 0 - (-1)) = (1, 1)
• 卷积核(1,1)位置的数值为6，无其他输入点贡献，因此该位置输出为6。

输出(0,1)位置的12 #

共有两个输入点的卷积核覆盖该位置：

1. 输入点(0,0)：对应卷积核左上角(-1,-1)，输出(0,1)对应卷积核索引(1,2)，数值为7
2. 输入点(0,1)：对应卷积核左上角(0*2 -1, 1*2 -1) = (-1, 1)，输出(0,1)对应卷积核索引(1,0)，数值为5
   两者相加7+5=12，和输出结果一致。

所有输出位置的数值都可以按照上述规则计算得到，比如输出(0,2)的14，就是输入(0,0)对应卷积核(1,3)的8，加上输入(0,1)对应卷积核(1,1)的6，总和为14，和结果完全匹配。
内容的提问来源于stack exchange，提问作者IntegrateThis