大小、存储偏移量和跨步数
1.为了索引到存储中，张量依赖于一些信息，这些信息连同它们的存储一起，明确地定义了它们：大小、存储偏移量和跨距（图2.5）。size（或者shape，用NumPy术语来说）是一个元组，表示张量的每个维度上有多少个元素。存储偏移量是存储中对应于张量中第一个元素的索引。跨距是存储中需要跳过的元素数，以便沿着每个维度获取下一个元素。
2.通过提供相应的索引，可以获得张量中的第二个点生成的张量在存储中有偏移量2（因为我们需要跳过第一个点，它有两个项），而size是包含一个元素的size类的一个实例，因为张量是一维的。重要提示：此信息与张量对象的shape属性中包含的信息相同：
3.stride是一个元组，指示当索引在每个维度中增加1时必须跳过的存储中的元素数。例如，你的点张量有一个步幅：
4.张量和存储之间的这种间接关系导致了一些操作，例如转置张量或提取子矩阵，成本较低，因为它们不会导致内存重新分配；t()函数为向量转置函数
它们只在形状和步幅上有所不同：
从点[0,0]到点[1,0]沿着存储跳跃两个元素，而第二个索引从点[0,0]到点[0,1]沿着存储跳跃一个元素。没有分配新内存：只有通过创建一个新的张量实例来获得转置，该实例的跨距顺序与原始实例不同。
5.PyTorch中的转置不限于矩阵。可以通过指定发生转置（例如翻转形状和跨距）的两个维度来转置多维数组：transpot函数，转换矩阵的两维
6.原矩阵是连续的，但其转置不是：转置并未重新分配存储空间，用的是原来的数据区域，因此数据是不连续的
7.使用连续方法可以从非连续张量中获得新的连续张量。张量的内容保持不变，但步幅会发生变化，存储也会发生变化：
Contiguous方法可以将张量中不连续存储的数据变为连续存储