tensor分为头信息区（Tensor）和存储区（Storage）
信息区主要保存着tensor的形状（size）、步长（stride）、数据类型（type）等信息，而真正的数据则保存成连续数组，存储在存储区
因为数据动辄成千上万，因此信息区元素占用内存较少，主要内存占用取决于tensor中元素的数目，即存储区的大小
一般来说，一个tensor有着与之相对应的storage，storage是在data之上封装的接口，便于使用
不同的tensor的头信息一般不同，但是可能使用相同的storage
生成a:
a = t.arange(0,6)
a.storage()
⚠️将这里改成a = t.arange(0,6).float()，用来保证得到的值的类型为FloatTensor
这跟下面遇见的一个问题相关，可以看到下面了解一下，然后再跟着操作
所以你的下面内容的值的类型应该为FloatTensor类型，我的仍是LongTensor，因为我没有改过来
返回：
0
1
2
3
4
5
[torch.LongStorage of size 6]
生成b:
b = a.view(2,3)
b.storage()
返回：
0
1
2
3
4
5
[torch.LongStorage of size 6]
对比两者内存地址：
#一个对象的id值可以看作她的内存空间
#a,b storage的内存地址一样，即是同一个storage
id(a.storage()) == id(b.storage())
返回：
True
改变某个值查看是否共享内存：
#a改变，b也随之改变，因为他们共享storage，即内存
a[1] = 100
b
返回：
tensor([[ 0, 100, 2],
[ 3, 4, 5]])
生成c:
#c从a的后两个元素取起
c = a[2:]
c.storage()#指向相同
返回：
0
100
2
3
4
5
[torch.LongStorage of size 6]
查看其首元素内存地址：
c.data_ptr(), a.data_ptr() #data_ptr返回tensor首元素的内存地址
#从结果可以看出两者的地址相差16
#因为c是从a第二个元素选起的，每个元素占8个字节，因为a的值的类型是int64
返回：
(140707162378192, 140707162378176)
因为查看后a的类型为int64:
a.dtype
返回：
torch.int64
更改c:
c[0] = -100 #a,c也共享内存空间，c[0]的内存地址对应的是a[2]的内存地址
a
返回：
tensor([ 0, 100, -100, 3, 4, 5])
使用storage来生成新tensor：
d = t.Tensor(c.storage())#这样a,b,c,d共享同样的内存空间
d[0] = 6666
b
⚠️报错：
RuntimeError: Expected object of data type 6 but got data type 4 for argument #2 'source'
这是因为Tensor期待得到的值的类型是FloatTensor（类型6），而不是其他类型LongTensor(data type 4)
因为如果生成：
dtypea = t.FloatTensor([[1, 2, 3], [4, 5, 6]])
dtypea.storage()
返回：
1.0
2.0
3.0
4.0
5.0
6.0
[torch.FloatStorage of size 6]
再运行就成功了：
d = t.Tensor(dtypea.storage())#这样a,b,c,d共享同样的内存空间
d[0] = 6666
dtypea
返回：
tensor([[6.6660e+03, 2.0000e+00, 3.0000e+00],
[4.0000e+00, 5.0000e+00, 6.0000e+00]])
如果使用的是IntTensor（data type 3）,也会报错：
RuntimeError: Expected object of data type 6 but got data type 3 for argument #2 'source'
ShortTensor(data type 2),CharTensor(data type 1),ByteTensor(data type 0),DoubleTensor(data type 7)
下面的操作会在将上面的值改成FloatTensor的基础上进行，即在a = t.arange(0,6)后面添加.float()，然后从头执行了一遍
d = t.Tensor(c.storage())#这样a,b,c,d共享同样的内存空间
d[0] = 6666
b
返回：
tensor([[ 6.6660e+03, 1.0000e+02, -1.0000e+02],
[ 3.0000e+00, 4.0000e+00, 5.0000e+00]])
判断是否共享内存：
#因此a,b,c,d这4个tensor共享storage
id(a.storage()) ==id(b.storage()) ==id(c.storage()) ==id(d.storage())#返回True
偏移量：
#获取首元素相对于storage地址的偏移量
a.storage_offset(), c.storage_offset(), d.storage_offset()
返回：
(0, 2, 0)
即使使用索引只获得一部分值，指向仍是storage：
#隔两行/列取元素来生成e
e = b[::2,::2]
print(e)
print(e.storage_offset())
id(e.storage()) ==id(a.storage()) #虽然值不相同，但是得到的storage是相同的
返回：
tensor([[6666., -100.]])
0
Out[44]:
True
步长信息：是有层次结构的步长
#获得步长信息
b.stride(), e.stride()
返回：
((3, 1), (6, 2))
查看空间是否连续：
#查看其值的内存空间是否连续
#因为e只取得了storage中的部分值，因此其是不连续的
b.is_contiguous(), e.is_contiguous()
返回：
(True, False)
从上面的操作中我们可以看出绝大多数的操作并不修改tensor的数据，即存储区的内容，只是修改了头信息区的内容
这种做法更节省内存，同时提升了处理速度
但是我们可以看见e的操作导致其不连续，这时候可以调用tensor.contiguous()方法将他们变成连续的数据。该方法是复制数据到新的内存中，不再与原来的数据共享storage，如：
e.contiguous().is_contiguous() #返回True
生成f:
print(e.data_ptr())
f = e.contiguous()
print(f.data_ptr()) #可见为f新分配了内存空间
print(f)
print(f.storage())#内存空间中只有两个值
print(f.size())
print(e.data_ptr()) #e指向的内存没有改变
f.is_contiguous() #这里的f的内存空间是连续的
返回：
140707203003760
140707160267104
tensor([[6666., -100.]])
6666.0
-100.0
[torch.FloatStorage of size 2]
torch.Size([1, 2])
140707203003760
Out[56]:
True
是否为连续内存空间有什么影响？
比如当你想要使用.view()转换tensor的形状时，如果该tensor的内存空间不是连续的则会报错：
k = t.arange(0,6).view(2,3).float().t()#进行转置，转置后的k内存是不连续的
k.is_contiguous()
k.view(-1)
报错：
RuntimeError: invalid argument 2: view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Call .contiguous() before .view(). at /Users/soumith/mc3build/conda-bld/pytorch_1549593514549/work/aten/src/TH/generic/THTensor.cpp:213
报错的意思也是要求在.view()之前调用.contiguous(),改后为：
k = t.arange(0,6).view(2,3).float().t()#进行转置，转置后的k内存是不连续的
k.is_contiguous()
k.contiguous().view(-1)
成功返回：
tensor([0., 3., 1., 4., 2., 5.])