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
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
这个 scatter可以理解成放置元素或者修改元素
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
在PyTorch中，`scatter()`和`scatter_()`函数是用来根据指定的索引将源元素(src)分散到目标张量中的特定位置。两者的主要区别在于`scatter_()`会直接在原张量上进行修改，而`scatter()`则返回一个新的张量，不改变原始数据。
这两个函数的核心参数包括：
1. `dim`：指定操作的维度，决定沿哪个轴进行索引和散布。
2. `index`：用于指示元素散列位置的索引张量。它的大小必须与源张量(src)匹配，但形状可以有所不同，特别是在`dim`不是0的情况下。
3. `src`：源张量或标量，提供了要散列到目标张量上的值。如果`src`是一个张量，它的形状应与`index`的形状相同，除了`dim`所在的位置，该位置的尺寸应该与目标张量的相应维度相同。如果`src`是一个标量，则将该值复制到所有指定的位置。
`scatter(dim, index, src)`操作可以理解为一种赋值操作，它根据`index`指定的位置，用`src`中的相应元素替换目标张量中的值。操作的具体行为取决于`dim`的选择：
- 当`dim=0`时，`index`的第一个维度对应于目标张量的第一维度，即行。
- 当`dim=1`时，`index`的第二个维度对应于目标张量的第二维度，即列。
- 对于更高维度，`index`的每个维度对应目标张量的相应维度。
例如，如果我们有一个二维张量`x`，并使用`scatter_()`函数，如：
```python
x = torch.rand(2, 5)
index = torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]])
```
那么，`torch.zeros(3, 5).scatter_(0, index, x)`将会在`dim=0`上根据`index`中的索引将`x`的元素填入`torch.zeros(3, 5)`的对应位置。
此外，`src`也可以是一个标量。在这种情况下，该标量值将被分配给所有指定的索引。这在处理one-hot编码时非常有用，例如：
```python
class_num = 10
batch_size = 4
label = torch.LongTensor(batch_size, 1).random_() % class_num
torch.zeros(batch_size, class_num).scatter_(1, label, 1)
```
上述代码将创建一个one-hot编码的张量，其中`label`中的每个类别的位置被设置为1，其余位置为0。
`scatter()`和`scatter_()`是PyTorch中强大的张量操作工具，它们允许根据特定的索引模式进行高效的元素级赋值，这对于处理稀疏数据、构建复杂的张量结构以及进行特定的张量变换等任务非常有用。在理解和应用这些函数时，确保正确理解和构造`dim`、`index`和`src`参数是至关重要的。
