y = np.zeros((3, 4, 5))

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., 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.]]])

(numpy中默认都是行向量，没有列向量,当然你看成全部是列向量没行向量也可以)

size=(a,b,c)
维度==size中参数的个数
#a指最外层1（只看最外层括号）看本层元素个数，本例中指有两层括号的元素个数
b指只看次层2层括号内本层元素个数，本例中指有一层括号的元素个数
c指只看3层最内层本层元素个数。，无括号的元素个数。
**[ ]**代表维度，增加一层括号即增加一维。

y[:,np.newaxis, : , :] #意思是在第二层添加新的维度，即加一层**[ ]**.对应的shape内多了*"1”*.
由已知y.shape=(3,4,5),则y[:,np.newaxis, : , :].shape=(3,1,4,5)

np.newaxis用途：当数组插入新的维度后，shape改变，在做运算时由于braodcasting作用，导致数组沿行复制列向量或沿列复制行向量
沿行复制列向量：[ : ,np.newaxis, : ] #np.newaxis在第1个维度
沿列复制行向量：[np.newaxis : ,：] #np.newaxis在第0个维度
axis=0 #最外层为基本元素。# 一般用在聚合计算中。
axis=1#c次外层为基本元素。等价于axis=-1.