首先需注意的是numpy和tensor的维度排列顺序不一样，这里拿一张图片的shape举例：
to_tensor = torchvision.transforms.ToTensor()
img = cv2.imread("sample.jpg")
img_tensor = to_tensor(img)
print(type(img)) # <class 'numpy.ndarray'>
print(img.shape) # (450, 500, 3)
print(type(img_tensor)) # <class 'torch.Tensor'>
print(img_tensor.shape) # torch.Size([3, 450, 500])
如果想改变数组内元素的排列顺序，torch和numpy都自带reshape方法：
# 展平操作
print(np.reshape(img, (1, 1, -1)).shape) # (1, 1, 675000)
print(torch.reshape(img_tensor, (1, 1, -1)).shape) # torch.Size([1, 1, 675000])
# 注意-1的含义是让计算机自己计算这里的值（因为元素总数是不会变的，该例3*450*500 = 675000）
# 但“-1”至多出现一次，也很好理解，假若两个位置需要计算机计算（-1），显然是无法做到的
增加（减少）维度，以numpy为例（tensor同用法）：
# 减少维度
img_1 = img[:, :, 1] # 截取
img_2 = np.reshape(img, (450, -1)) # reshape方法必须保证总量不变
print(img_1.shape) # (450, 500)
print(img_2.shape) # (450, 1500)
# 增加维度
a = np.array((3, 2, 3))
b = a[:, None, None]
c = np.reshape(a, (3, 1, -1))
print(a.shape) # (3,)
print(b.shape) # (3, 1, 1)
print(c.shape) # (3, 1, 1)实例应用：
在图像标准化处理中假设我们计算得到RGB的均值(mean)为（127， 127， 127） 标准差std为（8， 8， 8），那么我们接下来要对整个图片各个位置的RGB进行(img - mean) / std 计算，显然是不能直接计算的，因为原图是个三维矩阵，而我们计算得到的均值和标准差都是一维的（包含三个值），所以在计算过程中需要对mean和std进行增加维度操作。
# 举例
img = np.random.randint(0, 255, (2, 2, 3))
mean = np.array((127, 127, 127))
std = np.array((8, 8, 8))
img_result = (img - mean[None, None, :]) / std[None, None, :]
print("处理前：", img)
# [[[177 1 231]
# [ 1 109 203]]
#
# [[177 135 146]
# [ 66 89 122]]]
print("处理后", img_result)
# [[[ 6.25 -15.75 13. ]
# [-15.75 -2.25 9.5 ]]
#
# [[ 6.25 1. 2.375]
# [ -7.625 -4.75 -0.625]]]
