在机器学习中，所有的层都会有一个维度特征，以后缀形式记为 1d、2d 或 3d。 其表达的含义是本层输出数据的维度。

在 TensorSpace 中，有一些特殊的2d层，例如"2d卷积层"。 其使用过滤器提取特征，每一个过滤器会生成特征图，假设输入图像大小28x28， 经过一个有3个过滤器的卷积层，输出的是3维，形状为[28, 28, 3]。 即在输出的数据中会增加一个维度——通道数。通道数的值表示的过滤器的数量。

在 TensorSpace 中层的维度由输出数据的形状决定。

在网络层链接上，请考虑此层的具体计算规则。 比如在Input1d后用pooling1d， 而不是pooling2d。

输出维度为1维，例如，（例如 shape= [10]）：

2维输出为一个二维数组，但在输出含义上有两种形式：第一种，表示图像的大小，例如，shape= [28,28] 表示一个长和宽分别为28，28的图像；第二种，第一个数值表示长度，第二个数值是通道数，例如，shape= [10,3] 表示3个长度为10的特征向量。

3维输出为一个三维数组。 例如，shape= [28, 28, 3] 表示一个彩色图像， 分别对应3张在 RGB 3通道中，大小为 28x28的特征图。