1、张量的数据存储

• 在pytorch中，张量的存储实际上分为两个部分，一部分是张量的头信息，包括张量的shape，stride等。另一部分就是张量数据的实际存储空间，可以使用张量.storage() 方法来得到张量存储的数据，sorage() 是在data之上封装的一个接口。

2、张量的连续性：contiguous

• 我们可以通过张量的is_contiguous（）方法来判断张量是否连续。
• is_contiguous直观的解释是Tensor底层一维数组元素的存储顺序与Tensor按行优先一维展开的元素顺序是否一致。

3、.view() 和 .reshape()

• view() 只能对连续张量进行，其实质是将张量先展开成一维，然后再按照给定的shape进行排列，view()不会创建新的内存空间，我们可以理解为view() 是在原始数据上修改了张量的头文件，所以view() 其实是对张量的浅拷贝（这里把张量数据的存储相当于列表中的列表）

• reshape() = view() 或者 contiguous() + view()，reshape可以作用于非连续的张量，其本质是先进行contiguous，再执行view。当张量是连续的时候reshape = view，也就是产生的还是浅拷贝，但是如果是不连续的张量，则reshape() = contiguous() + view()，而contiguous是对数据按照其shape进行深拷贝，此时reshape前后的张量不再共享内存中的数据。

4、.permute() 和 .transpose()

• 可以理解为，没有改变张量的结构，只是改变了我们观察张量的角度，比如一个1224的图，转置以后变成2412，整个图片是没有改变的，只是改变了我们观察的角度

• permute()和transpose() 也是浅拷贝，只改变张量的头元信息，而与原张量共享数据，但是通过这两者操作之后的张量不再满足连续性，因为此时张量在内存中的存储位置是没有变化的，但是张量头文件中的stride，shape发生了变化，使得张量按行展开以后不再与其在内存中的存储顺序一样了。所以这个时候只能先使用contiguous对转置后的数据进行深拷贝，并按照转置后的stride在内存中对数据进行重排。变成连续的，之后才可以使用view()

5、总结

• permute()和transpose()是按照张量的数组坐标进行转置的，可以理解为我们只是换个角度观察张量，再换一种理解，张量中的维度实际上是数据排列的先后顺序，我们换维度，也就是换数据排列的先后顺序。
• 😄感觉一般用reshape就好了，反正它等于.contiguous()+.view()，省事

 
 
 
 
 
 
参考链接：https://blog.csdn.net/xx_xjm/article/details/123301266