一句话速记：MHA 需将张量重排为 [B, num_heads, S, D] 以便利用批处理矩阵乘并行计算注意力；输出还原时，transpose(1, 2) 仅改变 stride 导致内存非连续，而 view 要求底层内存连续，因此需先调用 contiguous() 重新分配连续内存；reshape 则是对 view 的安全封装，在内存连续时返回视图，非连续时自动触发数据复制。
PyTorch