torch
Returns a contiguous tensor containing the same data as self tensor. If self tensor is contiguous, this function returns the self tensor.
傳回一個記憶體連續的有相同資料的tensor，如果原tensor記憶體連續，則傳回原tensor；
contiguous一般與transpose，permute，view搭配使用：使用transpose或permute進行次元變換後，調用contiguous，然後方可使用view對次元進行變形（如：tensor_var.contiguous().view() ），示例如下：
x
具體原因有兩種說法：
1 transpose、permute等次元變換操作後，tensor在記憶體中不再是連續存儲的，而view操作要求tensor的記憶體連續存儲，是以需要contiguous來傳回一個contiguous copy；
2 次元變換後的變量是之前變量的淺拷貝，指向同一區域，即view操作會連帶原來的變量一同變形，這是不合法的，是以也會報錯；---- 這個解釋有部分道理，也即contiguous傳回了tensor的深拷貝contiguous copy資料；
3 contiguous函數分析，參考CSDN部落格在pytorch中，隻有很少幾個操作是不改變tensor的内容本身，而
隻是重新定義下标與元素的對應關系。換句話說，這種操作
不進行資料拷貝和資料的改變，變的是中繼資料，這些操作是：
narrow
舉個栗子，在使用transpose()進行轉置操作時，
pytorch并不會建立新的、轉置後的tensor，而是
修改了tensor中的一些屬性（也就是中繼資料），使得此時的offset和stride是與轉置tensor相對應的，而
轉置的tensor和原tensor的記憶體是共享的！
為了證明這一點，我們來看下面的代碼：
x
可以看到，
改變了x的元素的值的同時，y的元素的值也發生了變化；也即，經過上述操作後得到的tensor，它
内部資料的布局方式和從頭開始建立一個正常的tensor的布局方式是不一樣的！于是就有contiguous()的用武之地了。
在上面的例子中，
x是contiguous的，但y不是（因為内部資料不是通常的布局方式）。注意：不要被contiguous的字面意思“連續的”誤解，
tensor中資料還是在記憶體中一塊區域裡，隻是布局的問題！
當調用contiguous()時，會強制拷貝一份tensor，讓它的布局和從頭建立的一模一樣；一般來說這一點不用太擔心，如果你沒在需要調用contiguous()的地方調用contiguous()，運作時會提示你：
RuntimeError
隻要看到這個錯誤提示，加上contiguous()就好啦～
4 其他 4.1 is_contiguous()函數 is_contiguous() → boolReturns True if self tensor is contiguous in memory in C order.
如果該tensor在記憶體中是連續的則傳回True；
pytorch裡面的
contiguous() 是以 C 為順序儲存在記憶體裡面，如果不是，則傳回一個以 C 為順序儲存的tensor：
tensor_var
一些可能導緻不是以 C 為順序儲存的可能為：
import
在pytorch 0.4中，增加了torch.reshape()，與 numpy.reshape() 的功能類似，大緻相當于 tensor.contiguous().view()，這樣就省去了對tensor做view()變換前，調用contiguous()的麻煩；
5 參考https://blog.csdn.net/gdymind/article/details/82662502blog.csdn.net PyTorch - contiguous()stackoverflow.com
