tensor[None] ...

假设有一个 torch 的 tensor 类型的变量 T。
T 的 shape 为shape，那么 T[None] 的shape 会变成 (1,shape)。
T[None] 会在 T 的基础上增加一个 dim。该 dim 的值为 1。

为什么要这样呢？

因为 PyTorch 需要 tensor 的形状 是 (B,C,H,W) 的
但是如果某个 tensor 是由一张 RGB 图像得到的，那么它的 shape 会是 (C,H,W)，所以要增加第 0 维度，

举个例子

import torch

T = torch.randn((3,2))
print("T.shape: ",T.shape)
print("T:\n ",T)

print("\n\nT[None].shape: ",T[None].shape)
print("T[None]: \n",T[None])
print("Type(T[None]): ",type(T[None]))

输出如下：

T.shape:  torch.Size([3, 2])
T:
  tensor([[-0.2009,  0.5363],
        [ 1.0295, -0.0239],
        [ 0.9514, -1.2469]])


T[None].shape:  torch.Size([1, 3, 2])
T[None]: 
 tensor([[[-0.2009,  0.5363],
         [ 1.0295, -0.0239],
         [ 0.9514, -1.2469]]])
Type(T[None]):  <class 'torch.Tensor'>

可以看出，T 的shape：$(3,2)\to (1,3,2)$

拓展一下

下面这条代码最后 有 [0]，因为它的 shape是 (B,C,H,W) ，具体地即 (1,C,H,W) 那么 [0]之后便得到 形状为 (C,H,W) 的 tensor

=color_data = F.interpolate(
       color_data[None], self.crop_size, mode='bilinear', align_corners=True)[0]

…

T = torch.rand([2,6])
print(T)

T1 = T[...,None,None,1:]
print("T1 size",T1.shape)
print("T1",T1)

tensor([[0.5393, 0.4695, 0.2123, 0.4500, 0.1761, 0.7912],
        [0.5652, 0.5397, 0.0455, 0.1156, 0.1900, 0.0085]])
T1 size torch.Size([2, 1, 1, 5])
T1 tensor([[[[0.4695, 0.2123, 0.4500, 0.1761, 0.7912]]],


        [[[0.5397, 0.0455, 0.1156, 0.1900, 0.0085]]]])

注意，T1，的shape 首先看 1：，然后看... 。
... 是剩余维度吧