Python 了解DCGAN中图像大小的变化

我一直在研究并尝试使用PyTorch实现生成性对抗网络。更确切地说，我尝试使用一些自定义数据集复制教程

我的代码工作得很好，并且我能够得到一些很好的结果，但是当我查看生成器和鉴别器的体系结构时，我很难理解图像大小在经过不同的卷积层时是如何变化的。为了让我的问题更清楚一点，我不理解在以下架构中从大小为100的原始噪声向量到64X64X3输出图像的过程：

class Generator(nn.Module):
    def __init__(self, ngpu):
        super(Generator, self).__init__()
        self.ngpu = ngpu
        self.main = nn.Sequential(
            # input is Z, going into a convolution
            nn.ConvTranspose2d( nz, ngf * 8, 4, 1, 0, bias=False),
            nn.BatchNorm2d(ngf * 8),
            nn.ReLU(True),
            # state size. (ngf*8) x 4 x 4
            nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf * 4),
            nn.ReLU(True),
            # state size. (ngf*4) x 8 x 8
            nn.ConvTranspose2d( ngf * 4, ngf * 2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf * 2),
            nn.ReLU(True),
            # state size. (ngf*2) x 16 x 16
            nn.ConvTranspose2d( ngf * 2, ngf, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf),
            nn.ReLU(True),
            # state size. (ngf) x 32 x 32
            nn.ConvTranspose2d( ngf, nc, 4, 2, 1, bias=False),
            nn.Tanh()
            # state size. (nc) x 64 x 64
        )

    def forward(self, input):
        return self.main(input)

我查阅了一些在线资源以及PyTorch文档，发现了一些不同的公式来计算卷积层的输出大小。然而，它们都不足以解释在这个特定的体系结构中发生的巨大变化

我希望这里有人能帮我理解这一点