题目描述 卷积运算在数学、信号处理、深度学习等诸多领域中均有广泛应用，深度学习中的卷积神经网络模型 $CNN$ 为使用卷积运算的代表模型之一。 对一个高为 $h$、宽为 $w$ 的矩阵 $I$，和一个边长为 $k$ 的方形卷积核 $K$，经基本正向卷积运算得到的矩阵 $S$ 满足： $$ S(i,j) = \sum {0 \leq m < k} \sum {0 \leq n < k} I(i+m,j+n) \cdot K(m,n) $$ 其中 $0 \leq i \leq h-k$, $0 \leq j \leq w-k$。 在 $CNN$ 中，有时为了缩小特征尺寸，卷积运算中会指定步幅 $s$ 进行下采样，使经过卷积运算的矩阵缩小约 $s$ 倍，即： $$ S(i,j) = \sum {0 \leq m < k} \sum {0 \leq n < k} I(s \cdot i+m, s \cdot j+n) \cdot K(m,n) $$ 此时宜对 $i,j,m,n$ 限制 $s \cdot i+m < h$, $s \cdot j+n < w$，从而矩阵 $S$ 的大小确定。 现在给定一个高为 $h$、宽为 $w$ 的矩阵 $I$，和一个边长为 $k$ 的方形卷积核 $K$，并设置步幅为 $s$，求经正向卷积运算得到的矩阵 $S$。 输入格式 输入第一行四个正整数 $h$, $w$, $k$, $s$。 接下来输入矩阵 $I$，共计 $h$ 行，每行包含 $w$ 个整数。 接下来输入卷积核 $K$，共计 $k$ 行，每行包含 $k$ 个整数。 输出格式 输出运算后得到的矩阵 $S$。 数据范围 对于 $100\%$ 数据，满足 $0 < s \leq k \leq \min(h,w) \leq 100$。 矩阵 $I$ 和 $K$ 中各元素的绝对值不超过 $100$。 输入样例 4 4 2 1 1 2 3 4 2 3 4 1 3 4 1 2 4 1 2 3 1 0 0 -1 输出样例 -2 -2 2 -2 2 2 2 2 -2