在pytorch中，Tensor的存儲是行主序的，也就是意味著最后一個維度的元素的存儲時連續的，reshape和view并不改變元素存儲的內存，僅僅改變訪問的間隔，下面舉例說明；
比如一個23的Tensor在內存中的存儲是連續的：[1,2,3,4,5,6]
實際訪問的過程中，1,2,3屬于第一行，4,5,6屬于第二行，對于第一個維度2，訪問的間隔是3，對于第二個維度3，訪問的間隔是1；
如果reshape成32的Tensor,對于第一個維度3，訪問的間隔是2，對于第二個維度2，訪問的間隔是1；也就是對于當前維度，訪問的間隔是下一個維度的數值。
reshape 和 view
reshape 和 view 不會改變原始 Tensor 的內存存儲。它們的工作原理如下：
- 內存視圖
共享內存：reshape 和 view 返回的是原始 Tensor 的一個新的視圖（view），而不是復制數據。這意味著新 Tensor 和原始 Tensor 共享相同的內存空間。 - 數據不變
原始數據保持不變：通過 reshape 或 view 生成的新 Tensor 的數據布局與原始 Tensor 相同。改變新視圖中的數據會影響原始 Tensor，反之亦然。 - 連續性要求
注意連續性：如果原始 Tensor 是非連續的，使用 view 可能會導致錯誤。在這種情況下，使用 reshape 更為安全，因為它會在必要時返回一個新的 Tensor。
總結
reshape 和 view 不會改變原始 Tensor 的內存存儲，它們只是創建了一個指向同一塊內存的新視圖。
permute
permute 是 PyTorch 中用于重新排列 Tensor 維度的操作。其工作原理主要涉及以下幾個方面：
- 維度重排
重新排列維度：permute 允許用戶指定一個新的維度順序。例如，給定一個形狀為 (2, 3, 4) 的 Tensor，使用 tensor.permute(1, 0, 2) 會改變 Tensor 的形狀為 (3, 2, 4)。 - 內存視圖
共享內存：與 reshape 和 view 類似，permute 返回的是原始 Tensor 的一個新的視圖，不會復制數據。新 Tensor 仍然指向原始數據的內存。 - 步幅的變化
步幅計算：permute 通過調整步幅來實現維度重排。步幅決定了在內存中如何跳過元素以訪問不同的維度。例如：
原始 Tensor 的步幅會根據新的維度順序計算出新的步幅。 - 效率
高效操作：由于不涉及數據的拷貝，permute 操作非常高效，適合在大規模數據集上使用。
