用 N 遍历 C，产生漏算或越界
LRN 规范把输入定义为 `(N, C, D1, ..., Dn)`，归一化窗口应沿通道轴 `C` 滑动；旧参考实现却用 `range(x.shape[0])` 遍历 batch 数，再把循环索引写到 `square_sum[:, c, :, :]` 的通道位置。当 `N < C` 时部分通道永远保持零归一化和，当 `N > C` 时则会越过通道边界；硬编码四维切片还拒绝规范允许的 3D、5D 等输入。
ONNX
—Stars面向机器学习模型互操作的开放标准与参考实现，定义统一的计算图、算子规范和序列化格式，并提供模型检查、形状推断、参考执行器与后端一致性测试，连接训练框架、编译器和推理运行时。
Batch 负责分组，Channel 才负责归一化
LRN 的邻域窗口只能沿通道轴移动；batch 数与空间维数量都不应该改变要归一化哪些通道。
LRN INPUT CONTRACT[ N · C · D₁ … Dₙ ]
NbatchCchannelDspatial
window = channels around cBEFORE · BATCH DRIVES CHANNEL
for c in range(x.shape[0])N < Cchannels left at zeroN > Cchannel index out of range
BATCH ≠ CHANNELAFTER · CHANNEL-AXIS WINDOW
channel_count = x.shape[1]sum(x[:, begin:end, ...]², axis=1)3D4D5D4 DTYPES
EVERY CHANNEL NORMALIZED每个 Batch 与空间位置独立归一化
LRN 对每个 batch 和空间位置独立计算相邻通道的平方和，因此循环边界与窗口上下限都只能来自 `x.shape[1]`。空间维数量并不参与通道选择，应该通过省略号原样传递；输出缓冲区也应继承输入的形状与 dtype，避免实现额外制造维度和类型假设。
通道计数与省略号统一维度处理
引入 `channel_count = x.shape[1]`，按通道数迭代并以同一计数裁剪窗口，使用 `square_sum[:, c, ...] = sum(x[:, begin:end, ...] ** 2, axis=1)` 统一处理任意空间维；最低秩约束从固定 4D 改为至少包含 batch 与 channel 的 2D。同步更新生成的后端用例，并新增奇偶窗口、边界通道、3D/4D/5D、零通道以及 float16、float32、float64、bfloat16 覆盖。
任意空间秩与四种 Dtype 均通过回归
LRN 参考执行器现在在 batch 与 channel 数不相等时仍会完整归一化每个通道，不再留下错误零值或触发越界；同一实现也忠实支持规范中的任意空间维输入和全部支持 dtype。参考执行器测试 310 项通过、4 项跳过，LRN 后端测试 2 项通过、2 项跳过，完整 lint 同步通过。