Word中设置不同页面的页眉不一样的方法（页脚、页码同理）

躬身入世，以生证道: 是的，这应该是置顶评论

julymiaw: 太长不看版：在矩阵中，从已知位置到下一个位置需要跳过的格数就是步长，stride[0]代表第0维的步长，及行之间的“距离”，为3格，而在第一维，也就是在每一行，跳到下一个维度的格数为1，因为没有下一个维度。以此类推，如果这是一个n维的n*n连续结构，那么第n维的步长应该为1，第n-1维为n，之后依次为n^2，n^3......所以总结一下，连续结构的最后一维的步长是无须计算的，固定为1

julymiaw: 在PyTorch中，当对一个Tensor进行转置操作后，其stride会相应地发生变化。Stride的变化是由于Tensor的数据在内存中的布局方式发生了变化。 让我们考虑一个简单的例子，假设有一个2x3的矩阵A，并且它的stride在行和列方向上分别为(3, 1)。这意味着在内存中访问下一个行的元素需要跳过3个存储位置，而在同一行内访问下一个列的元素只需要跳过1个存储位置。 如果我们对这个矩阵进行转置操作，将行变成列，列变成行，那么新的矩阵B的形状变为3x2。现在，让我们看看如何计算新矩阵B的stride： 对于新矩阵B的行（原来矩阵A的列），stride应该与原矩阵A的列方向上的stride相同，即1。 对于新矩阵B的列（原来矩阵A的行），stride应该与原矩阵A的行方向上的stride相同，即3。 因此，新矩阵B的stride为(1, 3)。这意味着在内存中访问下一个行的元素需要跳过1个存储位置，而在同一列内访问下一个列的元素需要跳过3个存储位置。 总结起来，矩阵转置会导致stride的变化，但变化的规则是相对简单的：转置后，新的Tensor的stride在每个维度上应与原来的维度相对应的stride相同。这个规则适用于更高维度的Tensor，不仅仅是矩阵。这是因为转置操作实际上是在改变Tensor的轴的顺序，从而影响了数据在内存中的布局方式。

Forever 小白: plt.semilogy(result, 'm--v', label='SNR-BER')少了SNR

笑稀了的野生俊: 请问你理解了stride[1]是如何计算出来的吗？