🟩 1. 數據張量（特征圖）維度

這是我們喂進網絡或從網絡中出來的“實際數據”。

類型	維度格式	舉例	說明
圖像/特征圖	(B, C, H, W)	(4, 3, 32, 32)	PyTorch中最常用的數據布局（NCHW）
圖像/特征圖（TensorFlow風格）	(B, H, W, C)	(4, 32, 32, 3)	TF/Keras默認的數據格式（NHWC）
序列數據	(B, T, D)	(4, 100, 512)	B=batch, T=時間步數, D=特征維度（比如RNN、Transformer輸入）

---

🟨 2. 卷積層的權重張量維度

這些是參數層的權重，不是輸入輸出數據！

類型	維度格式	舉例	含義
1D 卷積	(out_channels, in_channels, kernel_size)	(64, 32, 3)	只沿時間軸卷積
2D 卷積	(out_channels, in_channels, kH, kW)	(64, 3, 3, 3)	最常見
3D 卷積	(out_channels, in_channels, D, H, W)	(64, 3, 3, 3, 3)	用于體積數據/視頻等

---

🟦 3. 全連接層（Linear）維度

類型	權重形狀	舉例	含義
FC 層權重	(out_features, in_features)	(5, 192)	5個輸出神經元，從192維輸入接收信號
輸入數據	(batch_size, in_features)	(4, 192)	每個樣本是1個向量
輸出數據	(batch_size, out_features)	(4, 5)	每個樣本輸出一個向量

---

🟧 4. 注意力機制中矩陣維度（尤其是 Transformer）

矩陣	維度格式	舉例	說明
Query / Key / Value	(B, heads, T, d_k)	(4, 8, 100, 64)	多頭注意力中每一頭的特征維度
Attention 權重矩陣	(B, heads, T_q, T_k)	(4, 8, 100, 100)	每個query對所有key的注意力分數
Output	(B, T, d_model)	(4, 100, 512)	每個時間步最終的編碼結果

---

🟥 5. RNN / LSTM / GRU 輸入輸出維度

類型	維度	舉例	說明
輸入數據	(seq_len, batch, input_size)	(100, 4, 128)	PyTorch默認格式
輸出	同輸入	(100, 4, hidden_size)	每一步的輸出
hidden / cell	(num_layers × num_directions, batch, hidden_size)	(2, 4, 128)	LSTM/GRU的隱藏狀態

---

🟪 6. BatchNorm 層的參數維度

類型	參數形狀	說明
BatchNorm1d	(C,)	用于線性層或1D卷積輸出的每個通道
BatchNorm2d	(C,)	對應于每個圖像通道
BatchNorm3d	(C,)	視頻/體數據的每個通道