【无标题】

3dgs源码学习：python基础知识补充

torch.nn.Parameter

orch.nn.Parameter是torch.Tensor的一个子类，使用它可以方便地声明模型的可学习参数。与一般的Tensor不同，Parameter会被自动添加到模型的参数列表中，并且可以被自动更新。与普通的Tensor一样，Parameter也可以进行各种张量运算，例如加法、乘法和卷积等。
优势
首先，Parameter对象的存在使得模型的结构更加清晰，我们可以通过查看模型的参数列表来了解模型的参数情况。这对模型的可读性和可维护性都有很大的帮助。

其次，Parameter对象的更新是自动进行的，无需手动编写参数的更新代码。PyTorch会自动追踪所有依赖于Parameter的计算过程，并在反向传播时更新参数的梯度。这样，我们就不必担心遗漏了某个参数的更新操作，提高了代码的健壮性。

最后，Parameter对象的使用非常方便。我们可以像使用普通张量一样使用Parameter，进行各种张量运算，例如加法、乘法和卷积等。这使得我们可以直接对参数进行操作，而无需额外的转换操作。

contiguous()

将原来张量重新复制一份新的，不改变元数据的值，只改变复制后的值

```python
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：
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]])```

使用contiguous()
当调用contiguous()时，会强制拷贝一份tensor，让它的布局和从头创建的一模一样，但是两个tensor完全没有联系。

x = torch.randn(3, 2)
y = torch.transpose(x, 0, 1).contiguous()
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([[ 0.9730,  0.8559],
           [ 1.6064,  1.4375],
           [-1.0905,  1.0690]])
y- tensor([[ 0.9730,  1.6064, -1.0905],
           [ 0.8559,  1.4375,  1.0690]])
 
修改后：
x- tensor([[ 0.9730,  0.8559],
           [ 1.6064,  1.4375],
           [-1.0905,  1.0690]])
y- tensor([[11.0000,  1.6064, -1.0905],
           [ 0.8559,  1.4375,  1.0690]])