利用.scatter()函数对三维图像的分割mask进行one-hot编码

在用写的分割模型dice计算公式时，需要先对分割mask进行one-hot编码，以和输出的分割相匹配。以分割mask大小为[1,3,3,2]，pred_mask 为[1,4,3,3,2]为例子，假设分割目标区域有三个，加上背景一共4个。

    class_num=4

    label=torch.tensor([[[[0,1],[0,2],[3,1]],[[0,0],[1,2],[2,1]],[[2,2],[1,1],[3,3]]]])

    #print(label.shape) #[1,3,3,2] 第一个1是batch数

    label.unsqueeze_(1)#带横杠就表示直接在x上修改，不用写x=x....这种格式

    print(label.shape)

    print(label)

    y=torch.zeros(1,class_num,3,3,2) # 生成全0的[1,4,3,3,2]，要与编码后维度相同

    y=y.scatter(1,label,1 )  # scatter(dim , label ,1 )

    print(y.shape)

    print(y)

scatter(dim, label, 1)中，dim指想填充进y的哪个维度，1代表第二个维度，label指要进行one-hot编码的mask，注意，要把这个label的维度数先变得和y相同，所以用了unsqueeze_(1)在dim=1的地方加1维，scatter()中最后一个参数指要填入进去的数，我们用one-hot就是填入1就好。最后的输出y就是one-hot编码后的结果。

结果如下：

 #before one-hot

torch.Size([1, 1, 3, 3, 2])
tensor([[[[[0, 1],
           [0, 2],
           [3, 1]],

          [[0, 0],
           [1, 2],
           [2, 1]],

          [[2, 2],
           [1, 1],
           [3, 3]]]]])

#after one-hot
torch.Size([1, 4, 3, 3, 2])
tensor([[[[[1., 0.],
           [1., 0.],
           [0., 0.]],

          [[1., 1.],
           [0., 0.],
           [0., 0.]],

          [[0., 0.],
           [0., 0.],
           [0., 0.]]],

         [[[0., 1.],
           [0., 0.],
           [0., 1.]],

          [[0., 0.],
           [1., 0.],
           [0., 1.]],

          [[0., 0.],
           [1., 1.],
           [0., 0.]]],

         [[[0., 0.],
           [0., 1.],
           [0., 0.]],

          [[0., 0.],
           [0., 1.],
           [1., 0.]],

          [[1., 1.],
           [0., 0.],
           [0., 0.]]],

         [[[0., 0.],
           [0., 0.],
           [1., 0.]],

          [[0., 0.],
           [0., 0.],
           [0., 0.]],

          [[0., 0.],
           [0., 0.],
           [1., 1.]]]]])

如上，在看结果时一定要从dim=1的维度上看，这个维度的大小是4，说明有4块[3,3,2]大小的tensor, 那么把 原来[3,3,2]大小的label内的每一个位置的数都对应到4个通道，如图，0对应下面的[1,0,0,0], 1对应[0,1,0,0], 2对应[0,0,1,0], 3对应[0,0,0,1]。 编码完成。

注意：按照惯例编码的位置都是如上最小在第一个位置，然后由小到大排序，所以不必担心与调用pytorch库里包含独热编码的loss函数一起用时会出问题。