我很难理解numpy的dstack函数实际在做什么。文件相当稀疏，只是说：
按深度顺序堆叠阵列(沿第三轴(。
获取阵列序列，并将它们沿第三个轴堆叠以形成单个阵列。重建按
dsplit划分的数组。这是一种将2D阵列(图像(堆叠成单个阵列的简单方法3D阵列进行处理。
所以，要么我真的很愚蠢，这意味着显而易见，要么我似乎对"堆叠"、"按顺序"、"深度"或"沿轴"这些术语有一些误解。然而，我的印象是，我在vstack和hstack的上下文中理解这些术语很好。
举个例子：
In [193]: a
Out[193]:
array([[0, 3],
[1, 4],
[2, 5]])
In [194]: b
Out[194]:
array([[ 6, 9],
[ 7, 10],
[ 8, 11]])
In [195]: dstack([a,b])
Out[195]:
array([[[ 0, 6],
[ 3, 9]],
[[ 1, 7],
[ 4, 10]],
[[ 2, 8],
[ 5, 11]]])
首先，a和b没有第三个轴，那么我如何将它们沿着">第三轴"堆叠？其次，假设a和b是2D图像的表示，为什么我最终在结果中使用三个2D阵列，而不是"按顺序"使用两个2D阵列？
通过查看输出数组的.shape属性，可以更容易地理解np.vstack、np.hstack和np.dstack*的作用。
使用您的两个示例阵列：
print(a.shape, b.shape)
# (3, 2) (3, 2)
np.vstack沿着第一维度连接。。。print(np.vstack((a, b)).shape) # (6, 2)np.hstack沿着第二维度连接。。。print(np.hstack((a, b)).shape) # (3, 4)并且CCD_ 15沿着第三维度连接。
print(np.dstack((a, b)).shape) # (3, 2, 2)
由于a和b都是二维的，np.dstack通过插入大小为1的第三个维度来扩展它们。这相当于用np.newaxis(或者None(在三维中对它们进行索引，如下所示：
print(a[:, :, np.newaxis].shape)
# (3, 2, 1)
如果是c = np.dstack((a, b))，则是c[:, :, 0] == a和c[:, :, 1] == b。
您可以使用np.concatenate更明确地执行相同的操作，如下所示：
print(np.concatenate((a[..., None], b[..., None]), axis=2).shape)
# (3, 2, 2)
*使用import *将模块的全部内容导入全局命名空间被认为是不好的做法，原因有几个。惯用的方法是import numpy as np。
设x == dstack([a, b])。则x[:, :, 0]与a相同，并且x[:, :, 1]与b相同。通常，当对2D阵列进行数据封装时，数据封装产生输出，使得output[:, :, n]与第n个输入阵列相同。
如果我们堆叠3D阵列而不是2D阵列：
x = numpy.zeros([2, 2, 3])
y = numpy.ones([2, 2, 4])
z = numpy.dstack([x, y])
则z[:, :, :3]将与x相同并且z[:, :, 3:7]将与y相同。
正如您所看到的，我们必须沿着第三个轴进行切片，以恢复dstack的输入。这就是为什么dstack的行为方式。
我想尝试一下直观地解释这一点(尽管公认的答案足够有意义，但我花了几秒钟的时间才在脑海中合理化(。如果我们把2d数组想象成一个列表列表，其中第一个轴给出一个内部列表，第二个轴给出该列表中的值，那么OP数组的视觉表示将是：
a = [
[0, 3],
[1, 4],
[2, 5]
]
b = [
[6, 9],
[7, 10],
[8, 11]
]
# Shape of each array is [3,2]
现在，根据当前的文档，dstack函数添加了一个第三轴，这意味着每个阵列最终看起来像这样：
a = [
[[0], [3]],
[[1], [4]],
[[2], [5]]
]
b = [
[[6], [9]],
[[7], [10]],
[[8], [11]]
]
# Shape of each array is [3,2,1]
现在，在三维中堆叠这两个数组只意味着结果应该像预期的那样：
dstack([a,b]) = [
[[0, 6], [3, 9]],
[[1, 7], [4, 10]],
[[2, 8], [5, 11]]
]
# Shape of the combined array is [3,2,2]
希望这能有所帮助。
因为你提到了"images"，我认为这个例子会很有用。如果您使用Keras来训练具有输入X的2D卷积网络，那么最好保持X具有维度(#images，dim1ofImage，dim2ofImage(。
image1 = np.array([[4,2],[5,5]])
image2 = np.array([[3,1],[6,7]])
image1 = image1.reshape(1,2,2)
image2 = image2.reshape(1,2,2)
X = np.stack((image1,image2),axis=1)
X
array([[[[4, 2],
[5, 5]],
[[3, 1],
[6, 7]]]])
np.shape(X)
X = X.reshape((2,2,2))
X
array([[[4, 2],
[5, 5]],
[[3, 1],
[6, 7]]])
X[0] # image 1
array([[4, 2],
[5, 5]])
X[1] # image 2
array([[3, 1],
[6, 7]])