scatter() 和 scatter_() 的作用是一样的，只不过 scatter() 不会直接修改原来的 Tensor，而 scatter_() 会
PyTorch 中，一般函数加下划线代表直接在原来的 Tensor 上修改
scatter(dim, index, src) 的参数有 3 个
简单说就是通过一个张量 src 来修改另一个张量，哪个元素需要修改、用 src 中的哪个元素来修改由 dim 和 index 决定
官方文档给出了 3维张量 的具体操作说明，如下所示
self[index[i][j][k]][j][k] = src[i][j][k] # if dim == 0 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
exmaple：
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.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x) #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]])
具体地说，我们的 index 是 torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]])，一个二维张量，下面用图简单说明
我们是 2维 张量，一开始进行 $self[index[0][0]][0]$，其中 $index[0][0]$ 的值是0，所以 $self[0][0] = x[0][0] = 0.1940$
$self[index[i][j]][j] = src[i][j] $
再比如$self[index[1][0]][0]$，其中 $index[1][0]$ 的值是2，所以 $self[1][0] = x[1][0] = 0.2078$
而 $self[index[2][0]][0]$，其中 $index[2][0]$ 超出了 index 的范围，所以不会有什么动作
src 除了可以是张量外，也可以是一个标量
example：
torch.zeros(3, 5).scatter_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), 7) #tensor([[7., 7., 7., 7., 7.], # [0., 7., 0., 7., 0.], # [7., 0., 7., 0., 7.]]
scatter() 一般可以用来对标签进行 one-hot 编码，这就是一个典型的用标量来修改张量的一个例子
example：
class_num = 10 batch_size = 4 label = torch.LongTensor(batch_size, 1).random_() % class_num #tensor([[6], # [0], # [3], # [2]]) 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.]])
原文：https://www.cnblogs.com/dogecheng/p/11938009.html