CNN（卷積神經(jīng)網(wǎng)絡(luò)）是一種深度學(xué)習(xí)模型，通常被用于圖像識別、計算機(jī)視覺等任務(wù)。

CNN的輸入是一個張量（Tensor），其維度由輸入的數(shù)據(jù)決定，一般來說，圖像數(shù)據(jù)是由像素組成的矩陣或張量，其維度取決于圖像的大小和通道數(shù)。

在CNN中，卷積層、池化層等操作都是在高維張量上進(jìn)行的，因此，CNN的中間層通常也是高維張量。在經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)中，常見的維度包括：

• 輸入數(shù)據(jù)的維度：一般是一個三維張量，即高度、寬度和通道數(shù)。

• 卷積核的維度：一般是一個四維張量，即高度、寬度、輸入通道數(shù)和輸出通道數(shù)。

• 池化層輸出的維度：一般是一個四維張量，即高度、寬度、通道數(shù)和樣本數(shù)。

綜上所述，CNN中包含的維度是根據(jù)具體的網(wǎng)絡(luò)結(jié)構(gòu)和任務(wù)而定，通常會涉及到多個高維張量。