张量的permute（）和transpose（）

结论：

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。

一：张量的数据存储

再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。

参考自：PyTorch 笔记（11）— Tensor内部存储结构（头信息区 Tensor，存储区 Storage）_wohu1104的专栏-CSDN博客_tensor存储结构

二：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。

详细请参考：PyTorch中的contiguous - 知乎 (zhihu.com)

三：view/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）

参考自：permute()和view() - 知乎 (zhihu.com)

pytorch中张量.view()方法_算法程序员&mlh的博客-CSDN博客

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。

四：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12*24的图，转置以后变成24*12，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（）

那么permute和transpose是怎么对数据进行维度变换呢？举例如下

验证：