pytorch reshape_Pytorch之contiguous函数

1 先看看官方中英文doc：

torch

1.1 contiguous() → Tensor

Returns a contiguous tensor containing the same data as self tensor. If self tensor is contiguous, this function returns the self tensor.

1.2 contiguous() → Tensor

返回一个内存连续的有相同数据的tensor，如果原tensor内存连续，则返回原tensor；

2 pytorch contiguous的使用

contiguous一般与transpose，permute，view搭配使用：使用transpose或permute进行维度变换后，调用contiguous，然后方可使用view对维度进行变形（如：tensor_var.contiguous().view() ），示例如下：

x 

具体原因有两种说法：

1 transpose、permute等维度变换操作后，tensor在内存中不再是连续存储的，而view操作要求tensor的内存连续存储，所以需要contiguous来返回一个contiguous copy；

2 维度变换后的变量是之前变量的浅拷贝，指向同一区域，即view操作会连带原来的变量一同变形，这是不合法的，所以也会报错；---- 这个解释有部分道理，也即contiguous返回了tensor的深拷贝contiguous copy数据；

3 contiguous函数分析，参考CSDN博客

在pytorch中，只有很少几个操作是不改变tensor的内容本身，而只是重新定义下标与元素的对应关系。换句话说，这种操作不进行数据拷贝和数据的改变，变的是元数据，这些操作是：

narrow

举个栗子，在使用transpose()进行转置操作时，pytorch并不会创建新的、转置后的tensor，而是修改了tensor中的一些属性（也就是元数据），使得此时的offset和stride是与转置tensor相对应的，而转置的tensor和原tensor的内存是共享的！

为了证明这一点，我们来看下面的代码：

x 

可以看到，改变了x的元素的值的同时，y的元素的值也发生了变化；也即，经过上述操作后得到的tensor，它内部数据的布局方式和从头开始创建一个常规的tensor的布局方式是不一样的！于是就有contiguous()的用武之地了。

在上面的例子中，x是contiguous的，但y不是（因为内部数据不是通常的布局方式）。注意：不要被contiguous的字面意思“连续的”误解，tensor中数据还是在内存中一块区域里，只是布局的问题！

当调用contiguous()时，会强制拷贝一份tensor，让它的布局和从头创建的一模一样；

一般来说这一点不用太担心，如果你没在需要调用contiguous()的地方调用contiguous()，运行时会提示你：

RuntimeError

只要看到这个错误提示，加上contiguous()就好啦～

4 其他

4.1 is_contiguous()函数

is_contiguous() → bool

Returns True if self tensor is contiguous in memory in C order.

is_contiguous() → bool

如果该tensor在内存中是连续的则返回True；

pytorch里面的 contiguous() 是以 C 为顺序保存在内存里面，如果不是，则返回一个以 C 为顺序保存的tensor：

tensor_var

一些可能导致不是以 C 为顺序保存的可能为：

import 

4.2 view()、reshape()函数的差异

在pytorch 0.4中，增加了torch.reshape()，与 numpy.reshape() 的功能类似，大致相当于 tensor.contiguous().view()，这样就省去了对tensor做view()变换前，调用contiguous()的麻烦；

5 参考

https://blog.csdn.net/gdymind/article/details/82662502​blog.csdn.net PyTorch - contiguous()​stackoverflow.com