x = x.contiguous().view(x.size(0), -1)
其中：
①.contiguous()：
调用view之前最好先contiguous，也就是x.contiguous().view()，因为view需要tensor的内存是整块的，view只能用在contiguous的variable上。
此方法返回张量的副本x，其中元素存储在连续的内存块中。如果张量已经是连续的，则此方法不会创建副本，而只是返回原始张量。
②.view(x.size(0), -1)：：
其实在torch里面，view函数就相当于numpy的reshape，执行的操作就是对tensor进行维度转换，此方法将张量重塑x为二维形状，其中第一维是x.size(0)（即第一维的大小），第二维是从其余元素推断出来的，第二个维度中的-1是一个占位符，它告诉 PyTorch 根据张量中的元素总数推断第二个维度的大小。
实例：
import torch
x = torch.rand(2, 3, 4, 5) # 随机生成4 * 3 * 17 * 17 的数组
print("x.shape ==",x.shape) # 输出x的维度
print(x)
结果：
增加代码：
x = x.view(x.size(0),-1)
print(x)
结果：
view(xxx,-1)
即，这边的这里-1表示一个不确定的数，就是你如果不确定你想要reshape成几行，但是你很肯定要reshape成xxx列。
上述例子中，
x = x.view(x.size(0),-1) 等价于 x = x.view(x.size(0),60)
③x = x.contiguous().view(x.size(0), -1)：
这行代码用于将张量重塑x为二维形状，同时确保张量中的元素存储在连续的内存块中。
综上所述，这行代码将张量重塑x为二维形状，同时确保元素存储在连续的内存块中。这通常用作将张量传递到需要二维输入的神经网络层（例如全连接层）之前的预处理步骤。
实例：
假设我们有一个4维的张量x，其形状为(2, 3, 4, 5)，即有2个4维向量，每个向量包含3个3维向量，每个3维向量包含4个2维向量，每个3维向量包含4个2维，每个2维向量包含5个元素。
可以使用以下代码来实现这个转换：
x = x.contiguous().view(x.size(0), -1)
在这里，contiguous()方法将x张量中的元素复制到一个连续的块中，以确保后续操作的有效性。然后，view()方法将张量x重塑为一个2维矩阵，第一维大小为2，第二维大小为3x4x5=60（因为我们在第二个维度上使用了-1，所以它被自动推断为60）。
执行完这行代码后，x将变成一个2维张量，形状为(2, 60)。这个变换不会改变张量中的元素，只是重新组织它们的形状。