解题思路
本题要求实现二维卷积 + 零填充（padding），并且题面明确说明是“无核翻转”的卷积，本质上就是二维相关运算（cross-correlation）：
对每个输出像素 (i,j)，让卷积核以 (i,j) 为中心覆盖在原图上，做逐元素乘加；超出边界的位置视为 0（即在图像外层补零）。
设：
- 卷积核尺寸：m×m，且 m 为奇数（方便居中）
P4482.第3题-带Padding的卷积计算
题目内容
卷积计算是人工智应用的常见计算操作，在深度学习中，卷积一般使用无核翻转的方式，通过如下公式计算:
(S⋅K)(i,j)−∑m∑nS(i+m,j+n)⋅K(m,n)
其中:
S 是输入图像(或二维信号)
K 是卷积核(或滤波器)
(i,j) 是输出图像的坐标
(m,n) 是卷积核的坐标
所谓 Padding 是根据卷积的尺寸，在输入图像外围填充若干圈 0 ，确保卷积计算后的辅出数据尺寸与原始输入一致。
如：
输入描述
第一行 为输入卷积尺寸 m∗m 和图像尺寸 n∗n，m 为大于 1 的奇数，n 为大于 1 的整数
然后是卷积矩阵数据，共 m 行，每行为卷积核的某一行，值的取值范围 [−10,10] 整数
最后是图像数据，共 n 行，每行为图像数据的某一行，值的取值范围 [0,255] 整数
如：
3 3
1 0 -1
1 0 -1
1 0 -1
1 2 3
4 5 6
7 8 9
输出描述
输出为带 padding 卷积操作后结果数据，大小为输入图像的尺寸 n∗n ，如：
-7 -4 7
-15 -6 15
-13 -4 13
样例1
输入
3 5
-5 4 0
0 -3 -2
3 2 0
231 112 85 120 114
154 237 168 55 35
203 204 160 70 7
194 32 36 99 181
64 185 251 30 115
输出
-609 430 552 26 -107
394 -737 98 440 -25
-13 -108 -965 -538 503
294 195 371 -366 -545
214 -1899 -829 -104 -116
样例2
输入
3 5
1 0 -1
1 0 -1
1 0 -1
3 2 5 4 8
1 8 2 4 1
3 7 5 2 9
8 2 1 4 3
1 5 7 2 8
输出
-10 -3 2 -2 8
-17 -5 7 -6 10
-17 4 7 -5 10
-14 -1 6 -7 8
-7 1 1 -3 6
