解释一下nn.MultiheadAttention函数，它的输入输出是什么，维度是多少

`nn.MultiheadAttention`是PyTorch中用于实现多头注意力机制的类。它可以用于构建包含多个注意力头的自注意力模型。

输入：
- `query`: 输入的查询张量，形状为`(L, N, E)`，其中`L`表示序列长度，`N`表示批量大小，`E`表示输入特征的维度。
- `key`: 输入的键张量，形状为`(S, N, E)`，其中`S`表示序列长度，`N`表示批量大小，`E`表示输入特征的维度。
- `value`: 输入的值张量，形状为`(S, N, E)`，其中`S`表示序列长度，`N`表示批量大小，`E`表示输入特征的维度。
- `key_padding_mask`: 一个ByteTensor，形状为`(N, S)`或者`(N, S, S)`。如果是`(N, S)`形状，则表示一个二维的mask标记键序列中的填充位置；如果是`(N, S, S)`形状，则表示一个三维的mask标记键序列和查询序列之间的填充位置。
- `attn_mask`: 一个ByteTensor，形状为`(S, S)`。表示一个三角形上三角部分被填充为负无穷大的mask。

输出：
- `output`: 注意力计算的输出张量，形状为`(L, N, E)`，其中`L`表示序列长度，`N`表示批量大小，`E`表示输出特征的维度。
- `attn_output_weights`: 注意力权重张量，形状为`(N, L, S)`，其中`N`表示批量大小，`L`表示输出序列长度，`S`表示输入序列长度。

维度说明：
- `L`: 输出序列长度，通常情况下等于输入序列长度。
- `N`: 批量大小，表示一次传入模型的样本数量。
- `S`: 输入序列长度，可以是键序列或查询序列的长度。
- `E`: 输入特征的维度，通常情况下等于隐藏层的维度。

需要注意的是，`nn.MultiheadAttention`中的维度和形状可能会根据具体的实现和使用方式而有所不同。因此，在使用时应该参考官方文档和具体示例的要求。