pytorch中contiguous()

from https://blog.csdn.net/appleml/article/details/80143212

contiguous：view只能用在contiguous的variable上。如果在view之前用了transpose, permute等，需要用contiguous()来返回一个contiguous copy。
一种可能的解释是：
有些tensor并不是占用一整块内存，而是由不同的数据块组成，而tensor的view()操作依赖于内存是整块的，这时只需要执行contiguous()这个函数，把tensor变成在内存中连续分布的形式。
判断是否contiguous用torch.Tensor.is_contiguous()函数。

import torch

x = torch.ones(10, 10)
print(x.is_contiguous())  # True
print(x.transpose(0, 1).is_contiguous())  # False
print(x.transpose(0, 1).contiguous().is_contiguous())  # True

print(x.view(2, 50).shape)  # torch.Size([2, 50])

# 报错
# RuntimeError: view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(...) instead.
# print(x.transpose(0, 1).view(2, 50).shape)

# 替换方法
print(x.transpose(0, 1).reshape(2, 50).shape)  # torch.Size([2, 50])
print(x.transpose(0, 1).contiguous().view(2, 50).shape)  # torch.Size([2, 50])

在pytorch的最新版本0.4版本中，增加了torch.reshape(), 这与 numpy.reshape 的功能类似。它大致相当于 tensor.contiguous().view()