Los ejes del video

Un clip decodificado es (T, H, W, C): tiempo × alto × ancho × canales. Agrúpalo en lote y obtienes (N, T, H, W, C), de orden 5.

Léelo como una frase y deja de ser críptico. Cada una de esas cinco letras responde una pregunta, y T es la que se comporta distinto de todas las demás: su orden es información, no contabilidad.