PyTorch中的一个tensor分为头信息区（Tensor）和存储区（Storage）两部分。
头信息区主要保存着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。
一般情况下，一个tensor都会有相对应的Storage，但有时候多个tensor都对应着相同的一个Storage，这几个tensor只是头信息区不同。
张量的步长（stride）是定义了在存储中每个维度的偏移量，以便找到下一个元素。具体来说，步长指定了在存储中移动指针时应该跨过的字节数。步长是一个元组，其中每个元素对应于张量的一个维度。步长的长度与张量的维度数相同。为了更好地理解步长的概念和功能，让我们通过一些示例来说明。假设我们有一个形状为(2, 3, 4)的三维张量tensor，并且通过以下代码创建和初始化它：
import torch
tensor = torch.zeros(2, 3, 4)
print(tensor.stride())
现在我们可以查看张量的步长，在PyTorch中可以使用stride()方法来实现，结果为：
(12, 4, 1)
表示在存储中移动指针时，每个维度需要跨越的字节数。 我们可以看到，在这个示例中，第一个维度需要跨越12个字节才能找到下一个元素，第二个维度需要跨越4个字节，而第三个维度只需要跨越1个字节。这是因为在内存中，张量中的元素是以连续的方式排列的，所以根据张量的尺寸和数据类型，PyTorch会自动计算合适的步长。
除了查看张量的步长，我们还可以通过修改步长来改变张量的存储方式。 PyTorch提供了as_strided()函数来实现这一点。
torch.as_strided(input, size, stride, storage_offset=0)—>Tensor
此方法是根据现有tensor以及给定的步长来创建一个视图（类型仍然为tensor）。视图是指创建一个方便查看的东西，与原数据共享内存，它并不占用内存，也不存储数据，只是将原有的数据进行整理，显示其中部分内容或者进行重排序后显示出来等等。
接下来介绍各个参数：
input：此参数指定了在哪个数据上创建视图，input需为tensor。
size：指定了生成的视图的大小，需要为一个矩阵（当然此矩阵大小可以大于原矩阵，但是也有限制），可以是tensor或者list等等。
stride：输出tensor的步长，根据原矩阵和步长生成了新矩阵，此参数后面会细讲。
storage_offset：输出张量的基础存储中的偏移量。
考虑以下示例，我们有一个(2, 3)的二维张量tensor2，并且通过以下代码创建和初始化它：
tensor2 = torch.zeros(2, 3)
我们可以使用as_strided()函数来修改tensor2的步长，如下所示：
new_tensor = torch.as_strided(tensor2, (2, 6), (3, 1))
在这个示例中，我们将tensor2的步长设定为(3, 1)，这将导致新张量new_tensor在存储中跳过一些元素。具体来说，对于new_tensor中的每个元素，我们需要跳过3个字节才能到达下一个元素，而不是原始tensor2中的1个字节。