你有一个截断的数组表示，让我们看一个完整的例子：

>>> a = np.zeros((2, 3, 4))
>>> a
array([[[ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.]],

       [[ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.]]])

NumPy中的数组打印为单词array，后跟structure，类似于嵌入式Python列表。

>>> l = [[[ 0.,  0.,  0.,  0.],
          [ 0.,  0.,  0.,  0.],
          [ 0.,  0.,  0.,  0.]],

          [[ 0.,  0.,  0.,  0.],
          [ 0.,  0.,  0.,  0.],
          [ 0.,  0.,  0.,  0.]]]

>>> l
[[[0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0]], 
 [[0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0]]]

这个复合列表l的第一级正好有2个元素，就像数组a的第一维一样这些元素中的每一个本身是具有3个元素的列表，其等于a的第二维最后，最嵌套的列表每个具有4个元素，与a的第三维（深度/颜色数）相同。
所以你得到了和Matlab中完全一样的结构（维度方面），只是用另一种方式打印出来。
一些警告：

1. Matlab逐列存储数据（“Fortran顺序”），而NumPy缺省情况下逐行存储它们（“C顺序”）。这不会影响索引，但可能会影响性能。例如，在Matlab中有效循环将超过列（例如for n = 1:10 a(:, n) end），而在NumPy中，最好是遍历行（例如for n in range(10): a[n, :]--注意n在第一个位置，而不是最后一个）。
   1.如果在OpenCV中使用彩色图像，请记住：
   2.1.它以BGR格式存储图像，而不是像大多数Python库那样以RGB格式存储。
   2.2.大多数函数作用于图像坐标（x, y），这与矩阵坐标（i, j）相反。

你是对的，你正在创建一个2行3列4深的矩阵。Numpy打印的矩阵与Matlab不同：
麻木：

>>> import numpy as np
>>> np.zeros((2,3,2))
 array([[[ 0.,  0.],
    [ 0.,  0.],
    [ 0.,  0.]],

   [[ 0.,  0.],
    [ 0.,  0.],
    [ 0.,  0.]]])

Matlab语言

>> zeros(2, 3, 2)
 ans(:,:,1) =
     0     0     0
     0     0     0
 ans(:,:,2) =
     0     0     0
     0     0     0

然而，你正在计算相同的矩阵。看看Numpy for Matlab users，它会指导你将Matlab代码转换为Numpy。
例如，如果您使用OpenCV，您可以使用numpy构建一个映像，同时考虑到OpenCV使用BGR表示：

import cv2
import numpy as np

a = np.zeros((100, 100,3))
a[:,:,0] = 255

b = np.zeros((100, 100,3))
b[:,:,1] = 255

c = np.zeros((100, 200,3)) 
c[:,:,2] = 255

img = np.vstack((c, np.hstack((a, b))))

cv2.imshow('image', img)
cv2.waitKey(0)

如果您查看矩阵c，您会发现它是一个100x200x3矩阵，与图中所示完全相同（红色表示R坐标为255，其他两个坐标保持为0）。

没必要去这么深的技术细节，让你自己爆炸。让我解释它在 * 最 * 最简单的方式。我们都学习了"Sets"在我们的数学学龄。只要考虑三维numpy数组作为形成"集"。

x = np.zeros((2,3,4))

• 简单的意思是：*

2 Sets, 3 Rows per Set, 4 Columns

• • 示例：**
• 输入 *

x = np.zeros((2,3,4))

• 产出 *

Set # 1 ---- [[[ 0.,  0.,  0.,  0.],  ---- Row 1
               [ 0.,  0.,  0.,  0.],  ---- Row 2
               [ 0.,  0.,  0.,  0.]], ---- Row 3 
    
Set # 2 ----  [[ 0.,  0.,  0.,  0.],  ---- Row 1
               [ 0.,  0.,  0.,  0.],  ---- Row 2
               [ 0.,  0.,  0.,  0.]]] ---- Row 3

• • 说明：**请看，我们有2个集合，每个集合3行，4列。
• • 注意：*每当您看到" 数字集 "两端用双括号括起来时。请将其视为" 集合 *"。3D和3D+数组始终构建在这些"集合"上。

就像人们喜欢说的“顺序不重要，它只是惯例”一样，当进入跨域界面时，IE从C顺序转换到Fortran顺序或其他一些顺序方案时，这一点就崩溃了。在那里，数据如何精确地布局以及形状如何在numpy中表示是非常重要的。
默认情况下，numpy使用C排序，这意味着内存中连续的元素是存储在 rows 中的元素。您也可以使用FORTRAN排序（“F”），这将基于列对元素进行排序，索引连续的元素。
Numpy的形状还有自己的显示顺序。在numpy中，形状是最大步幅的第一个，也就是说，在一个3d向量中，它是 * 最小连续维度 *，Z，或页面，第三个dim等。所以当执行：
np.zeros((2,3,4)).shape
你会得到
(2,3,4)
它实际上是(frames, rows, columns)。用np.zeros((2,2,3,4)).shape代替它将意味着(metaframs, frames, rows, columns)。当你想到像用语言一样用C创建多维数组时，这就更有意义了。对于C++，创建一个非连续定义的4D数组会导致array [ of arrays [ of arrays [ of elements ]]]。这会强制您取消引用包含所有其他数组的第一个数组（第四维），然后向下（第三维、第二维、第一维）的所有路径都相同，从而产生如下语法：
double element = array4d[w][z][y][x] ;
在fortran中，这种索引顺序是相反的（x是第一个array4d[x][y][z][w]），从最连续到最不连续，而在matlab中，它变得很奇怪。
Matlab试图保留数学默认顺序（行，列），但也在库内部使用列主，而不遵循C的维度排序惯例。
double element = array4d[y][x][z][w] ;
这就定义了所有的约定，并产生了奇怪的情况，有时候索引好像是按行排序的，有时候是按列排序的（比如创建矩阵）。
事实上，Matlab是不直观的，而不是Numpy。

阅读本文以获得更好的见解：numpy：数组形状和调整数组形状
注意：NumPy以layers, rows, columns的顺序报告3D阵列的形状。

在NumPy里我也很困惑。当你说：

x = np.zeros((2,3,4))

其解释为：生成2个3行矩阵的三维矩阵。每行必须包含4个元素;
Numpy始终从最外层开始分配尺寸，然后移动到拇指尺中：二维数组是一个矩阵