pytorch中contiguous理解（view，reshape，transpose，permute）

首先理解什么是contiguous，判断一个tensor是不是contiguous的。
字面意思是连续的，当我们定义一个tensor时，在内存中数据是连续存储的。
如果我们使用transpose等一些操作的时候，会改变连续性，使得数据在逻辑上的顺序与内存中的顺序不一致，这是因为transpose并没有改变tensor内存中的数据存储（data部分），只是改变了其索引（步长等），使得逻辑上的顺序（读取的顺序）发生了变化，但是内存中的顺序没有变。而一些操作只能对连续的tensor使用，对非连续的tensor使用会报错，就需要通过contiguous()，重新开一块内存，将非连续tensor转换为连续的。
如tensor.transpose().view()将会报错，需要改成tensor.transpose().contiguous().view()
需要注意的是，如果对连续的tensor使用contiguous，将不会重新开辟内存，view操作过的tensor依然是连续的，view之后可以再接一个view操作。
reshape相当于contiguous+view，如果是连续的tensor，其与view相同，对非连续的张量，可以直接使用reshape而不能使用view。
那为什么还要存在view，是一个历史原因。

其他有关张量内存的内容：

如果我们简单的将一个tensor赋值给另一个tensor，则这两个tensor是共享同一内存的。如果不想共享内存，可以使用torch.clone()函数，需要注意的是，clone的tensor并不保存梯度，即本身grad为None，将梯度回传给源张量进行叠加。

如果原tensor的requires_grad=True，则：
clone()操作后的tensor requires_grad=True
detach()操作后的tensor requires_grad=False。
另一个比较特殊的是当源张量的 require_grad=False，
clone后的张量 require_grad=True，此时不存在张量回传现象，可以得到clone后的张量求导。

像y = x + y这样的运算会新开内存，然后将y指向新内存。我们可以使用Python自带的id函数进行验证：如果两个实例的ID相同，则它们所对应的内存地址相同。
使用索引操作不会开辟新的内存，而想指定结果到原来的y的内存，我们可以使用索引来进行替换操作。比如把x + y的结果通过[:]写进y对应的内存中。
torch.add(x, y, out=y)
y += x
y.add_(x)

Tensor 和tensor唯一区别在于方法名中t的大小写，大写字母T（Tensor）是类构造函数，第二种小写（tensor）是工厂函数。其中，torch.as_tensor 和 torch.from_numpy 也是工厂函数。

构造函数在构造一个张量时使用全局默认值，而工厂函数则根据输入推断数据类型。通过torch.get_default_dtype()可以查看dtype的全局默认值是torch.float32。

Tensor 和tensor是深拷贝，在内存中创建一个额外的数据副本，不共享内存，所以不受数组改变的影响。
from_numpy和as_tensor是浅拷贝，在内存中共享数据，他们不同之处就是在于对内存的共享。
torch.as_tensor()和torch.from_numpy() 函数使得numpy数组与Pytorch张量之间切换可以非常快。因为创建新的Pytorch张量时，数据是共享的，而不是后台复制的。共享数据比复制数据更有效使用更少的内存。因为数据没有写到内存中的两个位置，而是只有一个位置。

我们应该使用哪一种呢？？？

torch.tensor()是经常使用的。如果想做内存优化，使用torch.as_tensor()，这个为什么要比torch.from_numpy()好呢？因为，torch.as_tensor()函数可以接受任何像Python数据结构这样的数组。

参考：
https://zhuanlan.zhihu.com/p/344458484
https://zhuanlan.zhihu.com/p/345648168
https://blog.csdn.net/Flag_ing/article/details/109129752?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.opensearchhbase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.opensearchhbase