理解pytorch系列：contiguous是怎么实现的

在PyTorch中，.contiguous()方法的作用是确保张量在内存中是连续存储的。当你对张量执行某些操作，如transpose()、permute()、narrow()、expand()等之后，得到的张量可能不再在内存中连续排列。这些操作通常返回一个张量的视图，它们改变的是数据访问的方式，而不是实际的数据存储方式。

在内存中连续排列的张量有一个特性：对于张量中任意两个相邻的元素，它们在物理内存中的位置也是相邻的。换句话说，张量在物理存储上的排列顺序与在张量形式上的逻辑排列顺序一致。

当调用.contiguous()时，如果张量已经是连续的，这个函数实际上不会做任何事；但如果不是，PyTorch将会重新分配内存并确保张量的数据连续排列。这涉及到复制数据到新的内存区域，并返回一个新的张量，该张量在内存中实际是连续的。

下面是在Python中对.contiguous()的一个简单示例：

import torch

# 创建一个非连续张量
x = torch.arange(12).view(3, 4).transpose(0, 1)  # 移动维度
print(x.is_contiguous())  # False

# 使用 .contiguous() 来确保张量是连续的
y = x.contiguous()
print(y.is_contiguous())  # True

当.contiguous()被调用，PyTorch会检查张量的步长（stride）属性。如果发现数据不是连续存储的，则会进行数据的拷贝操作。

在PyTorch的底层C++库中，.contiguous()方法是通过调用Tensor的成员函数contiguous()来实现的。这个函数检查张量是否是非连续的，如果是，则调用clone()方法来创建当前张量数据的副本，然后返回连续排列的新张量。这个副本操作包含显式的内存复制，从原来的张量到一个新连续排列的内存块。

在实践中，为了避免不必要的性能损失，你应该在实际需要连续张量之前避免调用.contiguous()，比如在准备将张量作为神经网络层的输入之前。这是因为某些PyTorch操作要求输入张量在内存中是连续的，比如卷积操作。如果你的张量不是连续的，这些操作在内部会自动调用.contiguous()来确保能够正确进行计算。