torch
Returns a contiguous tensor containing the same data as self tensor. If self tensor is contiguous, this function returns the self tensor.
返回一个内存连续的有相同数据的tensor，如果原tensor内存连续，则返回原tensor；
contiguous一般与transpose，permute，view搭配使用：使用transpose或permute进行维度变换后，调用contiguous，然后方可使用view对维度进行变形（如：tensor_var.contiguous().view() ），示例如下：
x
具体原因有两种说法：
1 transpose、permute等维度变换操作后，tensor在内存中不再是连续存储的，而view操作要求tensor的内存连续存储，所以需要contiguous来返回一个contiguous copy；
2 维度变换后的变量是之前变量的浅拷贝，指向同一区域，即view操作会连带原来的变量一同变形，这是不合法的，所以也会报错；---- 这个解释有部分道理，也即contiguous返回了tensor的深拷贝contiguous copy数据；
3 contiguous函数分析，参考CSDN博客在pytorch中，只有很少几个操作是不改变tensor的内容本身，而
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
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，而
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
可以看到，
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
内部数据的布局方式和从头开始创建一个常规的tensor的布局方式是不一样的！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模一样；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
只要看到这个错误提示，加上contiguous()就好啦～
4 其他 4.1 is_contiguous()函数 is_contiguous() → boolReturns True if self tensor is contiguous in memory in C order.
如果该tensor在内存中是连续的则返回True；
pytorch里面的
contiguous() 是以 C 为顺序保存在内存里面，如果不是，则返回一个以 C 为顺序保存的tensor：
tensor_var
一些可能导致不是以 C 为顺序保存的可能为：
import
在pytorch 0.4中，增加了torch.reshape()，与 numpy.reshape() 的功能类似，大致相当于 tensor.contiguous().view()，这样就省去了对tensor做view()变换前，调用contiguous()的麻烦；
5 参考https://blog.csdn.net/gdymind/article/details/82662502blog.csdn.net PyTorch - contiguous()stackoverflow.com
