Contiguous()到底怎么用，什么时候用

contiguous原意：邻近的，一个tensor是.is_contiguous() is True，说明该数组按照行展开和底层元数据的存储顺序是一致的。

Tensor多维数据的存储，是以多维数组按照行展开成一维数组，作为元数据，原信息里保存了他的形状。调用数据的时候，是按照 stride 取数据的。比如一个三行五列的Tensor，他的stride就是[5,1]。指的是取该维度下一个数据时，要走的步长。

如果要访问矩阵中的下一个元素都是通过偏移来实现，这个偏移量称为步长(stride[1])

为什么需要contiguous?

当我们调用.view()时，如果该数组之前被.permute()或.transpose()过，虽然这两个操作不会改变数组的元数据，但是会新建一个Tensor元信息，该元信息里声明了stride，就导致后续调用.view()时理想的情况是按照transpose后的tensor进行view展开，但实际上会按照底层元数据进行变形。view 仅在底层数组上使用指定的形状进行变形。而且上述直接调用会报错：

view size is not compatible with input tensor's size and stride

Contiguous如何作用的？

t2 = t.transpose(0,1)
t3 = t2.contiguous()

相当于重新开辟了一块内存，t3的元数据是按照变化后的行展开存储的。这样的话，.view()访问底层数组时，就不会产生元信息stride和元数据对应不上的问题了，也不会报错了。

什么时候需要Contiguous？

情况一：

当后续操作改变了元数据，但实际上不想改变原始Tensor的话，需要深拷贝或contiguous，新建内存存储新tensor。如：

x = torch.randn(3, 2)
y = torch.transpose(x, 0, 1)
print("修改前：")
print("x-", x)
print("y-", y)
 
print("\n修改后：")
y[0, 0] = 11
print("x-", x)
print("y-", y)

运行结果：

修改前：
x- tensor([[-0.5670, -1.0277],
           [ 0.1981, -1.2250],
           [ 0.8494, -1.4234]])
y- tensor([[-0.5670,  0.1981,  0.8494],
           [-1.0277, -1.2250, -1.4234]])
 
修改后：
x- tensor([[11.0000, -1.0277],
           [ 0.1981, -1.2250],
           [ 0.8494, -1.4234]])
y- tensor([[11.0000,  0.1981,  0.8494],
           [-1.0277, -1.2250, -1.4234]])

如果对y使用了.contiguous()，改变y的值时，x不会有任何影响！