Vision Transformer 中，输入图像被切成等大的小块（patch），每个 patch 线性映射到 embedding，前面再加一个“分类 token”。已知图像边长 img_size、patch 边长 patch_size、通道数 channels、embedding 维度 embedding_dim。计算并输出 patch embedding 的形状： token_count = (img_size patch_size)² + 1（含分类 token） 输出两列：token_count 和 embedding_dim 说明：保证 img_size 可以被 patch_size 整除；不得使用任何深度学习框架。

输入描述:

一行四个整数：img_size patch_size channels embedding_dim

输出描述:

一行两个整数：token_count embedding_dim