Pytorch使用permute后再reshape会修改张量的值，维度虽然对齐但仍需小心

楼主最近阅读一篇论文的代码，在修改的时候发现loss下降正常但评测指标怎么都上不去，经过两天的排查找到原因。
这篇论文的代码在模型预测之后使用了permute和reshape，导致我模型的预测和预想的完全不一样，示例如下：

predict=model(train).permute(0,1,3,2).reshape(-1,n,66)

虽然表面上看用不用permute最后经过reshape得到的维度都是一样的，也能对其，后续工作也能展开，但问题就在这里，使用了permute后再reshape里面的值会完全不一样，导致虽然没有bug但后续工作受阻

举个例子：
先创建一个[2,3,3]的张量：

然后一个使用permute一个不用，最后都使用reshape得到一样的维度

可以看到，虽然a和b都是3✖6的张量，但内容却完全不一样了，所以有时候维度虽然对齐了也是有问题的

导致这种情况的原因是permute会直接修改矩阵的维度，permute(1,0,2)相当于交换0，1两个维度，即将[2,3,3]改变为[3,2,3]，原来是2块，每块里面3行3列，现在是3块，每块里面2行3列，之前两块里面的每两行组成了新的一块，而reshape则是将一块一块拆开后重新排列组合，最终导致了值的不同：

所以如果在模型预测之后你的代码依然有permute函数和reshape函数，需要注意后续的评测标准，因为模型预测的值可能已经被修改了，最后你可能会因为精确度太差而怀疑是不是模型写错了