【pytorch 中 于contiguous、permute和transpose用法】

以下是关于contiguous、permute和transpose这几个方法的详细说明：

1. contiguous

方法定义:

在PyTorch中，contiguous是一个Tensor的方法，用于返回一个在内存中连续存储的Tensor。这意味着Tensor的所有元素在内存中都是连续排列的，没有间隔。

用途:

在进行某些操作（如view或reshape）之前，Tensor可能需要是连续的。
当使用某些操作（如to方法改变数据类型或设备）时，Tensor可能会变得不连续。
在某些情况下，为了效率考虑，你可能希望Tensor是连续的。

示例:

python
import torch  
  
x = torch.tensor([[1, 2], [3, 4], [5, 6]]).t().contiguous()  # 转置并确保连续  
print(x.is_contiguous())  # 输出: True

2. permute

方法定义:

permute是一个Tensor的方法，用于对Tensor的维度进行重新排序。

参数:

一个整数列表，表示新维度的顺序。
用途:

改变Tensor的维度顺序，而不改变其内容。
在神经网络中，经常需要改变Tensor的维度顺序以适应不同的层或操作。
示例:

python
import torch  
  
x = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])  # 形状为(2, 2, 2)  
y = x.permute(2, 0, 1) 
print(y.shape)  # 输出: torch.Size([2, 2, 2])  
print(y)  


# 输出Tensor的内容，展示维度顺序的变化  
# tensor([[[1, 5],  
#          [2, 6]],  
#  
#         [[3, 7],  
#          [4, 8]]])

---

解释上述转换过程

在给出的代码中，x 是一个形状为 (2, 2, 2) 的三维Tensor。当你使用 x.permute(2, 0, 1) 时，你实际上是在重新排列Tensor的维度。具体来说，这个 permute 调用将原始Tensor x 的每个维度移动到指定的新位置。

原始Tensor x 的形状是 (2, 2, 2)，其中：

维度0（大小为2）对应于外层的两个方括号，即两个 […] 块。
维度1（大小为2）对应于每个 […] 块内的两个 [1, 2] 或[3, 4] 这样的子列表。
维度2（大小为2）对应于每个 [1, 2] 或 [3, 4] 这样的子列表中的两个数字。

现在，当你调用 x.permute(2, 0, 1) 时，你告诉PyTorch按照以下方式重新排列维度：

将原始维度2（大小为2，对应于每个子列表中的两个数字）移动到新的维度0。
将原始维度0（大小为2，对应于外层的两个方括号）移动到新的维度1。
将原始维度1（大小为2，对应于每个 […] 块内的两个子列表）移动到新的维度2。

因此，新的Tensor y 的形状将是 (2, 2, 2)，但数据的排列方式已经改变。具体来说，y 中的数据现在是这样排列的：

第一个维度（大小为2）现在是原始Tensor x 中每个子列表的两个数字。
第二个维度（大小为2）现在是原始Tensor x 的外层两个方括号对应的块。
第三个维度（大小为2）现在是原始Tensor x 的每个块内的两个子列表。

输出Tensor y 的内容将展示这种维度顺序的变化：

tensor([[[1, 5],  
         [2, 6]],  
  
        [[3, 7],  
         [4, 8]]])

你可以这样理解这个输出：

在 y 的第一个“层面”（对应于新的维度0，即大小为2的维度），你有两个元素 [1, 5] 和 [3, 7]。这些元素来自于原始Tensor x 的第一个和第二个 [1, 2] 和 [3, 4] 子列表。

在 y 的第二个“层面”（对应于新的维度1，即大小为2的维度），你有两个块，每个块包含两个 [1, 2] 或 [3, 4]类型的子列表。 这些块对应于原始Tensor x 的两个外层方括号。

在每个块内部（对应于新的维度2），你有两个数字，对应于原始Tensor x 的每个子列表中的两个数字。

---

3. transpose

方法定义:

transpose是一个Tensor的方法，用于对Tensor的两个维度进行交换。

参数:

dim0 (int): 要交换的第一个维度的索引。
dim1 (int): 要交换的第二个维度的索引。
用途:

交换Tensor的两个维度。
在处理图像数据时，经常需要将高度和宽度（即维度1和2）进行交换，以适应不同的库或框架的输入要求。
示例:

python
import torch  
  
x = torch.tensor([[1, 2], [3, 4]])  # 形状为(2, 2)  
y = x.transpose(0, 1)  # 交换维度0和1  
print(y.shape)  # 输出: torch.Size([2, 2])  
print(y)  
# 输出Tensor的内容，展示维度交换的结果  
# tensor([[1, 3],  
#         [2, 4]])

注意：transpose是permute的一个特例，其中只交换两个维度。当需要交换多个维度时，使用permute更为方便。