这篇文章主要介绍“在Pytorch中如何使用contiguous”，在日常操作中，相信很多人在在Pytorch中如何使用contiguous问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”在Pytorch中如何使用contiguous”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
举个栗子，在使用transpose()进行转置操作时，pytorch并不会创建新的、转置后的tensor，而是修改了tensor中的一些属性（也就是元数据），使得此时的offset和stride是与转置tensor相对应的。
转置的tensor和原tensor的内存是共享的！
为了证明这一点，我们来看下面的代码：
x = torch.randn(3, 2)y = x.transpose(x, 0, 1)x[0, 0] = 233print(y[0, 0])# print 233可以看到，改变了y的元素的值的同时，x的元素的值也发生了变化。
也就是说，经过上述操作后得到的tensor，它内部数据的布局方式和从头开始创建一个这样的常规的tensor的布局方式是不一样的！于是…这就有contiguous()的用武之地了。
在上面的例子中，x是contiguous的，但y不是（因为内部数据不是通常的布局方式）。
注意不要被contiguous的字面意思“连续的”误解，tensor中数据还是在内存中一块区域里，只是布局的问题！
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毛一样。
一般来说这一点不用太担心，如果你没在需要调用contiguous()的地方调用contiguous()，运行时会提示你：
RuntimeError: input is not contiguous
只要看到这个错误提示，加上contiguous()就好啦～
补充：pytorch之expand，gather，squeeze，sum，contiguous，softmax，max，argmax
gather
torch.gather(input,dim,index,out=None)。对指定维进行索引。比如4*3的张量，对dim=1进行索引，那么index的取值范围就是0~2.
input是一个张量，index是索引张量。input和index的size要么全部维度都相同，要么指定的dim那一维度值不同。输出为和index大小相同的张量。
import torcha=torch.tensor([[.1,.2,.3], [1.1,1.2,1.3], [2.1,2.2,2.3], [3.1,3.2,3.3]])b=torch.LongTensor([[1,2,1], [2,2,2], [2,2,2], [1,1,0]])b=b.view(4,3) print(a.gather(1,b))print(a.gather(0,b))c=torch.LongTensor([1,2,0,1])c=c.view(4,1)print(a.gather(1,c))输出：
tensor([[ 0.2000, 0.3000, 0.2000], [ 1.3000, 1.3000, 1.3000], [ 2.3000, 2.3000, 2.3000], [ 3.2000, 3.2000, 3.1000]])tensor([[ 1.1000, 2.2000, 1.3000], [ 2.1000, 2.2000, 2.3000], [ 2.1000, 2.2000, 2.3000], [ 1.1000, 1.2000, 0.3000]])tensor([[ 0.2000], [ 1.3000], [ 2.1000], [ 3.2000]])squeeze
将维度为1的压缩掉。如size为（3,1,1,2），压缩之后为（3,2）
import torcha=torch.randn(2,1,1,3)print(a)print(a.squeeze())输出：
tensor([[[[-0.2320, 0.9513, 1.1613]]], [[[ 0.0901, 0.9613, -0.9344]]]])tensor([[-0.2320, 0.9513, 1.1613], [ 0.0901, 0.9613, -0.9344]])expand
扩展某个size为1的维度。如(2,2,1)扩展为(2,2,3)
import torchx=torch.randn(2,2,1)print(x)y=x.expand(2,2,3)print(y)输出：
tensor([[[ 0.0608], [ 2.2106]], [[-1.9287], [ 0.8748]]])tensor([[[ 0.0608, 0.0608, 0.0608], [ 2.2106, 2.2106, 2.2106]], [[-1.9287, -1.9287, -1.9287], [ 0.8748, 0.8748, 0.8748]]])sum
size为（m,n,d）的张量，dim=1时，输出为size为（m,d）的张量
import torcha=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])print(a.sum())print(a.sum(dim=1))输出:
tensor(60)tensor([[ 5, 10, 15], [ 5, 10, 15]])contiguous
返回一个内存为连续的张量，如本身就是连续的，返回它自己。一般用在view()函数之前，因为view()要求调用张量是连续的。
可以通过is_contiguous查看张量内存是否连续。
import torcha=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])print(a.is_contiguous) print(a.contiguous().view(4,3))输出：
<built-in method is_contiguous of Tensor object at 0x7f4b5e35afa0>tensor([[ 1, 2, 3], [ 4, 8, 12], [ 1, 2, 3], [ 4, 8, 12]])softmax
假设数组V有C个元素。对其进行softmax等价于将V的每个元素的指数除以所有元素的指数之和。这会使值落在区间（0,1）上，并且和为1。
import torchimport torch.nn.functional as F a=torch.tensor([[1.,1],[2,1],[3,1],[1,2],[1,3]])b=F.softmax(a,dim=1)print(b)输出：
tensor([[ 0.5000, 0.5000], [ 0.7311, 0.2689], [ 0.8808, 0.1192], [ 0.2689, 0.7311], [ 0.1192, 0.8808]])max
返回最大值，或指定维度的最大值以及index
import torcha=torch.tensor([[.1,.2,.3], [1.1,1.2,1.3], [2.1,2.2,2.3], [3.1,3.2,3.3]])print(a.max(dim=1))print(a.max())输出：
(tensor([ 0.3000, 1.3000, 2.3000, 3.3000]), tensor([ 2, 2, 2, 2]))tensor(3.3000)argmax
返回最大值的index
import torcha=torch.tensor([[.1,.2,.3], [1.1,1.2,1.3], [2.1,2.2,2.3], [3.1,3.2,3.3]])print(a.argmax(dim=1))print(a.argmax())输出：
tensor([ 2, 2, 2, 2])tensor(11)到此，关于“在Pytorch中如何使用contiguous”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！
