1.randn_like()

torch.randn_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) -> Tensor

  返回一个和输入大小相同的张量，其由均值为0、方差为1的标准正态分布填充。即
torch.randn_like(input)等价于torch.randn(input.size(), dtype=input.dtype, layout=input.layout, device=input.device)

dtype（torch.dtype, optional）期望返回张量的类型，默认为input的类型
layout（torch.layout, optional）期望返回张量的分布，默认为input的分布
device（torch.device, optional）期望返回张量使用的设备，默认与input相同
requires_grad（bool, optional）如果需要在返回张量上保存梯度，默认为False
memory_format（torch.memory_format, optional）期望返回张量的保存类型，默认为torch.preserve_format

参考：
  randn_like相应官方文档

2.torch.layout

  torch.layout表示torch.Tensor的内存分布。当前PyTorch支持torch.strided和torch.sparse_coo（PyTorch1.8 测试支持）。
  torch.strided表示稠密张量，是最常见的内存分布方式。每一个张量和一个用来存放数据的torch.Storage向关联。
Example:

>>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)

>>> x.t().stride()
(1, 5)

参考：
  torch.layout相应官方文档

3.torch.memory_format

  torch.memory_format用来表示torch.Tensor储存格式

  可取值:

torch.contiguous_format：张量会被分配在稠密不重叠的内存中。其中strides显示降序。
torch.channels_last：张量会被分配在稠密不重叠的内存中。其中strides排序为strides[0] > strides[2] > strides[3] > strides[1] == 1
torch.preserve_format：保留输入张量的内存格式，用在clone这样的函数中。如果输入张量是分配在稠密不重叠的内存中，那么输出张量的stride与输入相同。否则，输出的strides使用torch.contiguous_format