pytorch中的contiguous()函数的浅浅解释
contiguous()
有些tensor并不是占用一整块内存，而是由不同的数据块组成。 contiguous()函数的作用：把tensor变成在内存中连续分布的形式。
来自链接一 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 = torch.Tensor(2,3) y = x.permute(1,0) # permute：二维tensor的维度变换，此处功能相当于转置transpose y.view(-1) # 报错，view使用前需调用contiguous()函数 y = x.permute(1,0).contiguous() y.view(-1) # OK 具体原因有两种说法： 1 transpose、permute等维度变换操作后，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；
参考资料
//讲得贼拉好
//讲得贼拉好
上一篇：
JS实现多线程数据分片下载