在 PyTorch 中，是什么让张量具有非连续内存？答案

【问题标题】：In PyTorch, what makes a tensor have non-contiguous memory?在 PyTorch 中，是什么让张量具有非连续内存？
【发布时间】：2019-06-03 08:31:38
【问题描述】：

根据this SO 和this PyTorch discussion，PyTorch 的view 函数仅适用于连续内存，而reshape 则不行。在第二个链接中，作者甚至声称：

[view] 将在非连续张量上引发错误。

但是张量何时具有非连续记忆？

【问题讨论】：

标签： pytorch

【解决方案1】：

This 是一个非常好的答案，它在 NumPy 的上下文中解释了该主题。 PyTorch 的工作原理基本相同。它的文档通常不会提到函数输出是否（非）连续，但这是可以根据操作类型（具有一些经验和对实现的理解）猜测的。根据经验，大多数操作在构造新张量时会保持连续性。如果操作在原地数组上运行并更改其跨步，您可能会看到不连续的输出。下面举几个例子

import torch

t = torch.randn(10, 10)

def check(ten):
    print(ten.is_contiguous())

check(t) # True

# flip sets the stride to negative, but element j is still adjacent to
# element i, so it is contiguous
check(torch.flip(t, (0,))) # True

# if we take every 2nd element, adjacent elements in the resulting array
# are not adjacent in the input array
check(t[::2]) # False

# if we transpose, we lose contiguity, as in case of NumPy
check(t.transpose(0, 1)) # False

# if we transpose twice, we first lose and then regain contiguity
check(t.transpose(0, 1).transpose(0, 1)) # True

一般来说，如果你有不连续的张量t，你可以通过调用t = t.contiguous()使其连续。如果t 是连续的，则调用t.contiguous() 本质上是无操作的，因此您可以这样做而不会冒很大的性能损失。

【讨论】：

【解决方案2】：

我认为您的标题contiguous memory 有点误导。据我了解，PyTorch 中的contiguous 表示张量中的相邻元素是否在内存中实际上彼此相邻。举个简单的例子：

x = torch.tensor([[1, 2, 3], [4, 5, 6]]) # x is contiguous
y = torch.transpose(0, 1) # y is non-contiguous

根据documentation of tranpose()：

返回一个张量，它是输入的转置版本。给定尺寸 dim0 和 dim1 交换。

生成的张量与输入张量共享其底层存储，因此更改一个张量的内容会改变另一个张量的内容。

所以上面例子中的x和y共享同一个内存空间。但是如果你用is_contiguous()检查它们的连续性，你会发现x是连续的，而y不是。现在你会发现contiguity 并不是指contiguous memory。

由于x 是连续的，x[0][0] 和x[0][1] 在内存中彼此相邻。但是y[0][0] 和y[0][1] 不是。这就是contiguous 的意思。

【讨论】：