shape:(batch_size * x * y )
有batch_size个二维矩阵（x * y）相当于(z * x * y)

1. 多维数组的索引

import numpy as np
# 创建
x = np.arange(12).reshape((2,2,3))
print(x)# 得到三维数组
[[[ 0  1  2][ 3  4  5]][[ 6  7  8][ 9 10 11]]]
# 相当于 batch_size*2*3

怎么读索引？
上面的三维数组相当于下图

对于第一个括号，相当于说这个三维数组有两个2维数组
对于里层的第二个括号，就是最常见的二维矩阵
对于‘7’，x，y为二维数组中的1，0（索引从0开始，横向是x轴，纵向是y轴，与shape中的x,y有所不同），z是代表‘z’在第2个二维矩阵中。所以‘7’的索引是（1，0，1）（x, y, z）

2. numpy的transpose函数
按轴交换
transpose函数中的两个参数是要互换的轴

import numpy as np
# 创建
x = np.arange(12).reshape((2,2,3))
print(x)
#输出
[[[ 0  1  2][ 3  4  5]][[ 6  7  8][ 9 10 11]]]
# transpose（z,x,y）-> (x,y,z)
y = np.transpose((x),(1,2,0))
print(y)
#输出
[[[ 0  6][ 1  7][ 2  8]][[ 3  9][ 4 10][ 5 11]]]

3. Pytorch的transpose函数

transpose只能对两个维度进行转换

import numpy as np
import torch
# 创建
x = np.arange(12).reshape((2,2,3))
x = torch.Tensor(x)
print(x)
# 输出
tensor([[[ 0.,  1.,  2.],[ 3.,  4.,  5.]],[[ 6.,  7.,  8.],[ 9., 10., 11.]]])
# transpose：转换第一维度和第二维度，即二维矩阵的x和y
a = x.transpose(1,2)
print(a)
#输出
tensor([[[ 0.,  3.],[ 1.,  4.],[ 2.,  5.]],[[ 6.,  9.],[ 7., 10.],[ 8., 11.]]])
# transpose：
b = x.transpose(0,2)
print(b)
# 输出
tensor([[[ 0.,  6.],[ 3.,  9.]],[[ 1.,  7.],[ 4., 10.]],[[ 2.,  8.],[ 5., 11.]]])