pytorch 损失函数,交叉熵 pytorch
pytorch中的连续()1 先看看官方中英文doc：
火炬。Tensor.contiguous (Python方法，在torch中。张量)火炬。Tensor.is_contiguous (Python方法，在torch中。张量)1.1 contiguous() Tensor
返回包含与自张量相同数据的连续张量。如果自张量是连续的，该函数返回自张量。1.2 contiguous() Tensor
返回一个具有连续记忆和相同数据的张量；如果原张量有连续记忆，则返回原张量；2 pytorch contiguous的使用
Contiguous一般与transpose、persist、view一起使用：使用transpose或persist变换维度后，调用contiguous，然后使用view变换维度(例如：tensor_var.contiguous()。view()))。例子如下：
X=torch.tensor (2，3) y=x.permate (1，0) # permate:二维张量的量纲变换。这里的函数相当于转置y.view (-1) #来报告一个错误。在使用视图之前，需要调用coherent()函数y=x.permate (1，0
1.经过转置、置换等维度变换操作后，张量不再连续存储在内存中，而视图操作需要张量的内存连续存储，所以需要contiguous返回一个连续的副本；
2维度转换后的变量是前一个变量的浅拷贝，指向同一个区域，即视图操作会和原变量一起变形，这是非法的，所以也会报错；——这个解释有一定道理，就是contiguous返回了张量的contiguous副本数据的深度副本；
3 contiguous函数分析，参考CSDN博客
在pytorch中，不改变张量本身内容的操作只有几个，而是只是重新定义下标与元素的对应关系。换句话说，这种操作不进行数据拷贝和数据的改变，变的是元数据，这些操作是：
narrow()，view()，expand()，transpose()；举个栗子。用transpose()的时候是pytorch并不会创建新的、转置后的tensor，但是修改了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，还有转置的tensor和原tensor的内存是共享的！
为了证明这一点，让我们看看下面的代码：
X=torch.randn (3，2) y=x.transpose (x，0，1) x [0，0]=233print (y [0，0]) # print233可以看出改变了x的元素的值的同时，y的元素的值也发生了变化；也即，经过上述操作后得到的tensor，它内部数据的布局不同于从头开始创建一个正则张量。所以使用了contiguous()。
在上例中，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：不要被连片的字面意思误解，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模一样；*
一般来说，这个不用太担心。如果您没有在需要的地方调用contiguous()，运行时将提示您：
运行时：输入不连贯，看到这个错误提示加上coherent () ~
4 其他
4.1 is_contiguous()函数
is_contiguous() bool
如果self tensor在内存中以C顺序连续，则返回True。is_contiguous() bool
返回True如果张量在记忆中是连续的；contiguous() 是以 C 为顺序保存在内存里面在pytorch，如果不是，返回一个按C顺序保存的张量：
Tensor_var.is_contiguous() #一些可以用来判断张量是否按C顺序保存的，可能会导致不按C顺序保存：
导入torch x=torch.ones (10，10)x . is _ contiguous()# truex . transpose(0，1)。is _ contiguous () # false，transpose会改变张量变量内存x.transpose (0，1)的布局。连续().
pytorch 0.4中增加了torch.reshape()，类似于numpy.reshape()，大致相当于tensor.contiguous()。view()，从而省去了在张量上做view()变换之前调用contiguous()的麻烦；
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。