很难写一个kernel就能同时在transpose的所有场景都最优，归纳transpose的几种常见场景可以针对性优化。这里只列出了transpose对轴变换的几种情况，没有考虑shape大小。因此在这几种场景上还应该考虑转置的轴 shape大小针对性优化。
场景1： batch 2D，perm：021
二维，三维，或者更高维的tensor，交换最内层的两个维度。这些都可以统一为batch 2D。对于2D矩阵的转置相当于batch=1，大于三维的tensor可以把两个最内层维度以外的所有维度合并看成一个维度。
一种大的021矩阵转置变换为小的矩阵转置方法：
比如输入是[4096,4096]的大矩阵进行转置，但是每个线程读取输入同一行的相邻位置，但是写出时写的是同一列的相邻位置，对于写的话，同一列跨的行长度太长对写回cache命中不友好，可以考虑降低跨的行长度来优化性能。
可以考虑把大的转置拆分为几个小的转置：
例如把MN转置为NM，考虑M和N都可以拆分为更小的维度：M拆分为M1M0，N拆分为N1N0
那么问题有MN转置为NM变为M1M0N1N0转置为N1N0M1M0
假设一次只能交换两个轴，那么可以通过如下三个步骤来实现：
M1M0N1N0->N1M1M0N0->N1M1N0M0->N1N0M1M0
其中第一步而第三部每次转置的都是一个tensor（例如下面的0213转置场景），这个一般都能实现的非常高效。
而第二步单元素的转置的维度从MN减小到了M0N0，更有利于缓存的利用。例如[4096,4096]可以拆分为[64,64,64,64]的大小来进行转置。
该方法可视化展示如下：相当于把大矩阵拆分为小矩阵，每个小矩阵独立转置，再把小矩阵看成一个整体转置一下。
要注意这个示意图中展示的是M1M0N1N0->M1N1M0N0->M1N1N0M0->N1M1N0M0，离最终要的还差一步。
场景2：0213
其特点是内部的两个相邻的维度进行交互，不包含最内层的一个或多个维度。跟上面一样，相邻不交换的维度可以合并看成一个整体，最外层的维度不足可以补1。
这个场景perm=[2, 0, 3, 1, 4]，看上去同时转置了多个axes，但是由于shape元素1的特殊性，可以squeeze掉， 因此可以转换为[784, 3, 4, 12]到[3, 4, 784, 12]的transpose，可以使用0213的方法来解决。
删除transpose shape为1的算法
perm = [2, 0, 3, 1, 4]
in_shape = [1, 784, 1, 4, 12]
rm_axes = []
for idx, elem in enumerate(in_shape):
if elem == 1:
rm_axes.append(idx)
print("rm_axes:", rm_axes)
def remove_axis(in_shape, perm, rm_axis):
del in_shape[rm_axis]
perm_rm_idx = -1
for idx, elem in enumerate(perm):
if elem == rm_axis:
perm_rm_idx = idx
if elem > rm_axis:
perm[idx] = perm[idx]-1
del perm[perm_rm_idx]
for rm_axis in reversed(rm_axes):
remove_axis(in_shape, perm, rm_axis)
print("perm:", perm)
print("in_shape:", in_shape)场景3：交换两个相邻的axes，但是其中一个axis对应的shape是1
这个场景并不需要transpose，只需要reshape即可。
使用上面的删除transpose shape为1的算法后，这种transpose的perm会变成[0,1,2,3,...] 可以非常简单的判断这个transpose实际上不需要进行任何操作，直接删除即可。
场景4：交换多个axes，但是部分perm是相邻的
这里perm=[1, 2, 0], 看上去交换了3个axes，实际上1x64这两个是一起交换的，可以合并成一个维度，这个问题就变成了上面的场景1。因此解决方案可以是合并一起变换的相邻轴，从而把问题简化。
场景5：其他
当然还有少量场景无法使用上面的方法来解决，例如这里输入shape第一个维度不是1的情况。