解题思路
本题可以使用直接模拟的方法实现二维空洞卷积。普通卷积核中相邻元素对应输入矩阵中的相邻位置，而空洞卷积中相邻卷积核元素之间需要间隔 d−1 个位置，因此卷积核的有效尺寸为：
Keff=K+(K−1)(d−1)
其中 K 是卷积核边长，d 是膨胀率。
P4939.第3题-2D 单通道空洞卷积（Dilated Convolution）底层实现
题目内容
空洞卷积（膨胀卷积）是卷积神经网络中扩大特征感受野且不增加参数 / 计算量的核心操作，广泛应用于语义分割等任务，本题要求基于原生语法 / 标准库手动实现单通道 2D 空洞卷积的底层逻辑，禁止调用任何卷积相关高级库函数。
计算逻辑详细步骤
步骤 1：输入特征图的 Padding 填充
对输入的 H×W 二维特征图进行常数 0 填充：在特征图的上下方向各填充 padding 层 0，左右方向也各填充 padding 层 0，得到尺寸为 (H+2×padding)×(W+2×padding) 的填充后特征图。
步骤 2：计算有效卷积核尺寸与输出特征图尺寸
有效卷积核尺寸（膨胀后的实际感受野尺寸）：设原始卷积核尺寸为 K×K（K 为奇数），膨胀率为 dilation（记为 d），则有效核尺寸公式为：
Keff=K+(K−1)×(d−1)
（d=1 时，Keff=K，等价于普通卷积）
输出特征图尺寸：设输入特征图原始尺寸为 Hin×Win，步长为 stride（记为 s），填充为 padding（记为 p），则输出特征图的高和宽分别为：
Hout=⌊sHin+2p−Keff⌋+1
Wout=⌊sWin+2p−Keff⌋+1
步骤 3：滑动窗口遍历与空洞卷积核心计算
窗口滑动规则：以步长 stride 为间隔，在填充后的特征图上滑动有效尺寸为 Keff 的窗口，窗口总数对应输出特征图的 Hout×Wout 个位置；
空洞卷积乘加规则：对每个滑动窗口，无需给卷积核插入空洞（0），而是按膨胀率 dilation 间隔选取窗口内的元素与原始卷积核逐元素相乘：
- 设当前窗口在填充后特征图的起始坐标为 (istart,jstart)；
- 遍历原始卷积核的每个位置 (ik,jk)(0≤ik<K,0≤jk<K)，计算该位置对应填充后特征图的坐标：iin=istart+ik×d，jin=jstart+jk×d；
- 若 (iin,jin) 在填充后特征图的有效范围内，将填充后特征图的元素 padded[iin][jin] 与卷积核元素 kernel[ik][jk] 相乘，并累加到当前窗口的结果中；
- 结果赋值：每个窗口的乘加累加结果作为输出特征图对应位置 (iout,jout) 的数值。
步骤 4：输出结果
将所有窗口的计算结果整理为 Hout×Wout 的二维矩阵，作为最终输出。
输入描述
输入特征图的大小（H 和 W）
输入特征图的元素，共 H×W 个，且全部为整数
卷积核的大小（K），为奇数
卷积核的元素，共 K×K 个，且全部为整数
步长（stride）为 ≥1 的整数；
填充（padding）为正整数（仅支持常数 0 填充，输入特征图上下左右各填充 padding 层 0）；
膨胀率（dilation）为 ≥1 的整数（dilation=1 时等价于普通 2D 卷积）。
输出描述
逐行返回卷积后的二维特征图
样例1
输入
4 6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
3
1 0 -1 1 0 -1 1 0 -1
1
1
2
输出
-32 -8 -8 30
-20 -8 -8 18
说明
样例2
输入
3 3
1 2 3 4 5 6 7 8 9
3
1 0 -1 1 0 -1 1 0 -1
1
0
1
输出
6
说明
输入和卷积核都是 3×3 的矩阵，膨胀率为 1，此时等效于一个常规卷积
有效核尺寸 =3+(3−1)×0=3，输出尺寸 =(3+0−3)/1+1=1×1
窗口内元素乘加：1×1+2×0+3×(−1)+4×1+5×0+6×(−1)+7×1+8×0+9×(−1)=−8
样例3
输入
5 5
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3
1 0 1 0 1 0 1 0 1
1
0
2
输出
5
说明
输入是 5×5 的卷积，卷积核为 3×3 的卷积
有效核尺寸 =3+(3−1)×1=5，输出尺寸 =(5+0−5)/1+1=1×1
按膨胀率 2 选取输入元素（间隔 1个元素）：
输入窗口为 5×5，选取位置：(0,0)、(0,2)、(0,4)、(2,0)、(2,2)、(2,4)、(4,0)、(4,2)、(4,4)
乘加求和：1×1+1×1+1×1+1×1+1×1+1×1+1×1+1×1+1×1=9
