高维数组真正"有意义的数"是最底层的两维

说明：不论是cupy和numpy，要想矢量化编程都要涉及"高维数组"！但其实高维数组中只有最开始的两个维度是有意义的，越高的维度只会代表"数量的多少"而已。

下面以numpy的使用为例：

import numpy as np

a = [1, 2, 3, 4] ; b = [4, 5, 6, 4]; c = [7, 8, 9, 4]

g = np.array([a,b,c])       # 创建一个二维数组
c1 = np.zeros( (2,2,3,4) )  # 初始化一个高维数组
c2 = c1 + g                 #  给高维数组赋值

print(g); print(c2)

# print(g)的结果：
[[1 2 3 4]
 [4 5 6 4]
 [7 8 9 4]]   

# print(c2)的结果：
[[[[1. 2. 3. 4.]
   [4. 5. 6. 4.]
   [7. 8. 9. 4.]]

  [[1. 2. 3. 4.]
   [4. 5. 6. 4.]
   [7. 8. 9. 4.]]]

 [[[1. 2. 3. 4.]
   [4. 5. 6. 4.]
   [7. 8. 9. 4.]]

  [[1. 2. 3. 4.]
   [4. 5. 6. 4.]
   [7. 8. 9. 4.]]]]

可以看到：虽然c2的维度很高（有4维），但有实际数值意义的数值还是最底层的两维（ 如(2,2,3,4)中最后的(3,4)二维数组 ）。高维的参数设置只用来描述：这样的"底层二维数组，有多少个"而已！

因此，可以用"纸和书"的关系来很好的比喻"高维数组"：
第2维：就是一张纸，它上面记录了各种有实际含义的内容（可变的数）；
第3维：很多张纸拼凑起来成为一本书；但书的实质内涵还是每一页的内容；
第4维：很多书拼凑起来成为一个书架；但书架的实质内涵还是每一页；
第5维：很多书架拼凑起来成为一间书房；但书房的实质内涵还是每一页；
第6维：很多书房拼凑起来成为一座图书馆；但图书馆的实质内涵还是每一页；
。。。

规律很明显：

• 维度再高，不过是基本单位（二维数组）的大量堆叠而已！真正有实际内涵/内容（可以变化的各种数值）的还是它的基本单位——各个二维数组。页与页之间当然可以不同，即二维数组里面的内容完全可变！
• 给高维数组初始话，只需要"加上一个二维数组"即可！由上面的例子已明显可以看出。

其实：高维数组的初衷，就是为了做"矢量化编程"服务的！因为现实世界没有什么实体直接对应那么高维的数组，就连"矩阵也最多只有二维"。（从矩阵的最高维只有2维来理解也可以）。