以 MindSpore 情感分类教程中的参数为例（batch_size=64、seq_len=500、embedding_size=100、LSTM 隐藏层维度 256、双向 LSTM），各层输入输出大小变化如下，用具体数值清晰展示维度流转逻辑。

一、基础参数与教程代码对应（前提）

先明确教程中固定的核心参数，所有维度变化均基于此，且参数定义可在教程代码中直接找到：

二、各层输入输出大小变化（带教程代码对应）

按 nn.Embedding → nn.LSTM → nn.Dense 顺序拆解，每个步骤标注 “输入维度→教程代码逻辑→输出维度”，确保与链接代码完全对应。

1. 第一层：nn.Embedding（词嵌入层）

• 输入大小：(64, 500)对应 “64 个样本 / 批次，每个样本 500 个单词 index”，输入数据来自教程中预处理后的批次数据（imdb_train.batch(64) 输出）。

• 教程代码对应（链接内模型定义部分）：

  python

  运行

  # Embedding层初始化：输入维度为(batch_size, seq_len)，输出维度增加embedding_dim
  self.embedding = nn.Embedding(
      vocab_size=vocab_size,  # 词表大小（教程中为400002）
      embedding_size=embedding_dim,  # 即100，词向量维度
      padding_idx=pad_idx  # 忽略<pad>的index，不参与计算
  )
  
  # 前向传播：接收(64,500)的text输入，输出(64,500,100)
  embedded = self.embedding(text)  # text维度=(64,500)，embedded维度=(64,500,100)
  

• 输出大小：(64, 500, 100)变化逻辑：为每个单词 index 匹配 100 维词向量（embedding_dim=100），在原有维度基础上新增 “词向量维度”，最终输出 “64 个样本，每个样本 500 个单词，每个单词 100 维向量”。

2. 第二层：nn.LSTM（循环神经网络层）

• 输入大小：(64, 500, 100)直接接收 Embedding 层的输出，即 “带语义向量的序列数据”，与教程中 LSTM 层的输入要求完全匹配。

• 教程代码对应（链接内模型定义部分）：

  python

  运行

  # LSTM层初始化：关键参数batch_first=True，适配(batch_size, seq_len, embedding_dim)输入
  self.rnn = nn.LSTM(
      input_size=embedding_dim,  # 输入特征维度=100（与Embedding输出一致）
      hidden_size=hidden_dim,    # 单方向隐藏层维度=256
      num_layers=n_layers,       # 层数=2（教程中默认）
      bidirectional=bidirectional,  # 双向=True
      batch_first=True           # 必须设置，确保输入第一维是batch_size
  )
  
  # 前向传播：接收(64,500,100)的embedded输入，取最后一层双向隐藏状态
  _, (hidden, _) = self.rnn(embedded)  # hidden原始维度=(4, 64, 256)（2层×2方向=4）
  # 拼接最后一层的前向和后向隐藏状态：(64,256) + (64,256) → (64,512)
  hidden_concat = ops.concat((hidden[-2,:,:], hidden[-1,:,:]), axis=1)
  

• 输出大小：(64, 512)变化逻辑：双向 LSTM 会输出两个方向的隐藏状态，单方向维度为 256，拼接后维度为 256×2=512；同时丢弃序列维度（500），仅保留 “每个样本的整体语义向量”，最终输出 “64 个样本，每个样本 512 维语义向量”。

3. 第三层：nn.Dense（全连接层）

• 输入大小：(64, 512)接收 LSTM 层拼接后的隐藏状态，即 “每个样本的 512 维语义向量”，与教程中 Dense 层的输入维度严格对应。

• 教程代码对应（链接内模型定义部分）：

  python

  运行

  # Dense层初始化：输入维度=512（双向LSTM拼接后），输出维度=1（二分类）
  self.fc = nn.Dense(
      in_channels=hidden_dim * 2,  # 256×2=512，输入特征数
      out_channels=output_dim      # 1，输出特征数（二分类结果）
  )
  
  # 前向传播：接收(64,512)的hidden_concat输入，输出(64,1)
  output = self.fc(hidden_concat)  # output维度=(64, 1)
  

• 输出大小：(64, 1)变化逻辑：通过线性变换将 512 维语义向量压缩为 1 维，每个数值对应 “该样本为正面情感的概率”，最终输出 “64 个样本，每个样本 1 个情感预测值”。

三、完整维度流转与教程代码对应图

plaintext

# 教程代码流程                维度变化
1. 预处理后批次数据 → (64, 500)  # imdb_train.batch(64) + PadEnd([500])
2. nn.Embedding输入 → (64, 500)  # self.embedding(text)
   nn.Embedding输出 → (64, 500, 100)
3. nn.LSTM输入 → (64, 500, 100)  # self.rnn(embedded)
   nn.LSTM输出 → (64, 512)       # ops.concat(...)拼接双向隐藏状态
4. nn.Dense输入 → (64, 512)      # self.fc(hidden_concat)
   nn.Dense输出 → (64, 1)        # 最终情感预测结果

关键代码匹配说明

• 所有维度变化的参数（如 batch_size=64、seq_len=500）均来自教程中数据预处理和模型初始化代码，无额外假设。
• LSTM 层的 batch_first=True 是维度匹配的核心，教程代码中明确设置该参数，确保输入维度顺序为 (batch_size, seq_len, 特征维度)。
• 双向 LSTM 的隐藏状态拼接（ops.concat）是教程代码中自带逻辑，直接决定 LSTM 输出维度为 (64, 512)。