最近遇到這個(gè)函數(shù)，但查的中文博客里的解釋貌似不是很到位，這里翻譯一下stackoverflow上的回答并加上自己的理解。
在pytorch中，只有很少幾個(gè)操作是不改變tensor的內(nèi)容本身，而只是重新定義下標(biāo)與元素的對(duì)應(yīng)關(guān)系的。換句話說(shuō)，這種操作不進(jìn)行數(shù)據(jù)拷貝和數(shù)據(jù)的改變，變的是元數(shù)據(jù)。
這些操作是：
narrow()，view()，expand()和transpose()
舉個(gè)栗子，在使用transpose()進(jìn)行轉(zhuǎn)置操作時(shí)，pytorch并不會(huì)創(chuàng)建新的、轉(zhuǎn)置后的tensor，而是修改了tensor中的一些屬性（也就是元數(shù)據(jù)），使得此時(shí)的offset和stride是與轉(zhuǎn)置tensor相對(duì)應(yīng)的。
轉(zhuǎn)置的tensor和原tensor的內(nèi)存是共享的！
為了證明這一點(diǎn)，我們來(lái)看下面的代碼：
x = torch.randn(3, 2)
y = x.transpose(x, 0, 1)
x[0, 0] = 233
print(y[0, 0])
# print 233
可以看到，改變了y的元素的值的同時(shí)，x的元素的值也發(fā)生了變化。
也就是說(shuō)，經(jīng)過(guò)上述操作后得到的tensor，它內(nèi)部數(shù)據(jù)的布局方式和從頭開始創(chuàng)建一個(gè)這樣的常規(guī)的tensor的布局方式是不一樣的！于是…這就有contiguous()的用武之地了。
在上面的例子中，x是contiguous的，但y不是（因?yàn)閮?nèi)部數(shù)據(jù)不是通常的布局方式）。
注意不要被contiguous的字面意思“連續(xù)的”誤解，tensor中數(shù)據(jù)還是在內(nèi)存中一塊區(qū)域里，只是布局的問(wèn)題！
當(dāng)調(diào)用contiguous()時(shí)，會(huì)強(qiáng)制拷貝一份tensor，讓它的布局和從頭創(chuàng)建的一毛一樣。
一般來(lái)說(shuō)這一點(diǎn)不用太擔(dān)心，如果你沒在需要調(diào)用contiguous()的地方調(diào)用contiguous()，運(yùn)行時(shí)會(huì)提示你：
RuntimeError: input is not contiguous
只要看到這個(gè)錯(cuò)誤提示，加上contiguous()就好啦～
補(bǔ)充：pytorch之expand，gather，squeeze，sum，contiguous，softmax，max，argmax
gather
torch.gather(input,dim,index,out=None)。對(duì)指定維進(jìn)行索引。比如4*3的張量，對(duì)dim=1進(jìn)行索引，那么index的取值范圍就是0~2.
input是一個(gè)張量，index是索引張量。input和index的size要么全部維度都相同，要么指定的dim那一維度值不同。輸出為和index大小相同的張量。
import torch
a=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))
輸出：
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
將維度為1的壓縮掉。如size為（3,1,1,2），壓縮之后為（3,2）
import torch
a=torch.randn(2,1,1,3)
print(a)
print(a.squeeze())
輸出：
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
擴(kuò)展某個(gè)size為1的維度。如(2,2,1)擴(kuò)展為(2,2,3)
import torch
x=torch.randn(2,2,1)
print(x)
y=x.expand(2,2,3)
print(y)
輸出：
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為（m,n,d）的張量，dim=1時(shí)，輸出為size為（m,d）的張量
import torch
a=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])
print(a.sum())
print(a.sum(dim=1))
輸出:
tensor(60)
tensor([[ 5, 10, 15],
[ 5, 10, 15]])
contiguous
返回一個(gè)內(nèi)存為連續(xù)的張量，如本身就是連續(xù)的，返回它自己。一般用在view()函數(shù)之前，因?yàn)関iew()要求調(diào)用張量是連續(xù)的。
可以通過(guò)is_contiguous查看張量?jī)?nèi)存是否連續(xù)。
import torch
a=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])
print(a.is_contiguous)
print(a.contiguous().view(4,3))
輸出：
built-in method is_contiguous of Tensor object at 0x7f4b5e35afa0>
tensor([[ 1, 2, 3],
[ 4, 8, 12],
[ 1, 2, 3],
[ 4, 8, 12]])
softmax
假設(shè)數(shù)組V有C個(gè)元素。對(duì)其進(jìn)行softmax等價(jià)于將V的每個(gè)元素的指數(shù)除以所有元素的指數(shù)之和。這會(huì)使值落在區(qū)間（0,1）上，并且和為1。
import torch
import 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)
輸出：
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，或指定維度的最大值以及index
import torch
a=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())
輸出：
(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 torch
a=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())
輸出：
tensor([ 2, 2, 2, 2])
tensor(11)
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- Pytorch之contiguous的用法
- 基于pytorch中的Sequential用法說(shuō)明
- Pytorch Tensor基本數(shù)學(xué)運(yùn)算詳解
- 詳解PyTorch中Tensor的高階操作
