一、函数介绍
scatter_(input, dim, index, src)：将src中数据根据index中的索引按照dim的方向填进input。可以理解成放置元素或者修改元素
dim：沿着哪个维度进行索引
index：用来 scatter 的元素索引
src：用来 scatter 的源元素，可以是一个标量或一个张量
官网例子：
self[index[i][j][k]][j][k] = src[i][j][k] # if dim == 0 颜色一样的对应dim一致 self[i][index[i][j][k]][k] = src[i][j][k] # if dim == 1 self[i][j][index[i][j][k]] = src[i][j][k] # if dim == 2
二、实现原理
x = torch.rand(2, 5)
#tensor([[0.1940, 0.3340, 0.8184, 0.4269, 0.5945],
# [0.2078, 0.5978, 0.0074, 0.0943, 0.0266]])
torch.zeros(3, 5).scatter_(0, torch.LongTensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)
LongTensor的shape刚好与x的shape对应，也就是LongTensor每个index指定x中一个数据的填充位置。dim=0，表示按行填充，主要理解按行填充。eg. LongTensor中的第1行第0列的值为2，即索引index=2，表示在第2行（从0开始）进行填充，对应到zeros(3, 5)中就是位置（2,0）。所以此处要求zeros(3, 5)的列数要与x列数相同，LongTensor中的index最大值应与zeros(3, 5)行数相一致，示意图如下
最终可以得到填充完整的zeros
tensor([[0.1940, 0.5978, 0.0074, 0.4269, 0.5945],
[0.0000, 0.3340, 0.0000, 0.0943, 0.0000],
[0.2078, 0.0000, 0.8184, 0.0000, 0.0266]])说一下我自己的理解：
比如：index中[0][0]=0,那么在需要填充的张量里面的地址为[0][0]，也就是index的里面的值就是需要填充张量里面的行，即绿色的零。红色的零就是取值张量的列，对应到需要填充张量的列数。取值张量[0][0]=0.1940。
再比如[1][0]=2,那么在需要填充的张量里面的地址为[2][0]，也就是index的里面的值就是需要填充张量里面的行，即绿色的零。红色的零就是取值张量的列，对应到需要填充张量的列数。取值张量[1][0]=0.2078，将0.2078填充到需要填充张量的位置是[2][0]。
再比如[0][2]=2,那么在需要填充的张量里面的地址为[2][2]，也就是index的里面的值就是需要填充张量里面的行，即绿色的零。红色的零就是取值张量的列，对应到需要填充张量的列数。取值张量[0][2]=0.8184，将0.8184填充到需要填充张量的位置是[2][2]。
利用该函数实现one-hot
class_num = 10
batch_size = 4
import torch
label = torch.LongTensor(batch_size, 1).random_() % class_num
print('label',label)#shape（4,1）
#label tensor([[6],
[4],
[2],
[2]])
a = torch.zeros(batch_size, class_num).scatter_(1, label, 1)
#tensor([[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
# [1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
# [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
# [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.]])
print('a',a)
dim=1，也就是label，shape=1，那个维度，所以取出来的label的值就是需要填充张量[i][j]中的j的值，i就是与label的[i][j]中的i相同