本文主要是介绍pytorch | torch.contiguous()方法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
torch.contiguous()方法语义上是“连续的”，经常与torch.permute()、torch.transpose()、torch.view()方法一起使用，要理解这样使用的缘由，得从pytorch多维数组的低层存储开始说起：
touch.view()方法对张量改变“形状”其实并没有改变张量在内存中真正的形状，可以理解为：
- view方法没有拷贝新的张量，没有开辟新内存，与原张量共享内存；
- view方法只是重新定义了访问张量的规则，使得取出的张量按照我们希望的形状展现。
pytorch与numpy在存储MxN的数组时，均是按照行优先将数组拉伸至一维存储，比如对于一个二维张量
// An highlighted block
t = torch.tensor([[2, 1, 3], [4, 5, 9]])在内存中实际上是
[2, 1, 3, 4, 5, 9]
按照行优先原则，数字在语义和在内存中都是连续的，当我们使用torch.transpose()方法或者torch.permute()方法对张量翻转后，改变了张量的形状
// An highlighted block
t2 = t.transpose(0, 1)
t2tensor([[2,4],
[1,5],
[3,9])
此时如果对t2使用view方法，会报错：
原因是：改变了形状的t2语义上是3行2列的，在内存中还是跟t一样，没有改变，导致如果按照语义的形状进行view拉伸，数字不连续，此时torch.contiguous()方法就派上用场了
// An highlighted block
t3 = t2.contiguous()
t3tensor([[2,4],
[1,5],
[3,9])
可以看到t3与t2一样，都是3行2列的张量，此时再对t3使用view方法：
// An highlighted block
t3.view(-1)tensor([2, 4, 1, 5, 3, 9])
t3已经按照语义的形状展开了，t2与t共享内存是怎样的呢？
// An highlighted block
t.view(-1)tensor([2, 1, 3, 4, 5, 9])
可以看出contiguous方法改变了多维数组在内存中的存储顺序，以便配合view方法使用
torch.contiguous()方法首先拷贝了一份张量在内存中的地址，然后将地址按照形状改变后的张量的语义进行排列。
这篇关于pytorch | torch.contiguous()方法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
