tensor.scatter_(dim,index,src)理解

前言

看到这样一行代码

label = torch.zeros_like(pred_label)
label.scatter_(1, batch_data.label.cuda().unsqueeze(dim=1), 1)

解释

假设这里的pred_label的大小为(32,18),32是batch_size,18代表此分类任务有18个类别。
我们创建的label大小也为(32,18)，全0。
再假设这里的batch_data.label长下面的样子,它代表batch中，第一个样本的类别是0，第二个样本的类别是13…

然后我们可以看到，我们创建的label:
tensor.scatter_(dim,index,src)这三个参数在这里设置为

• dim=1: 表示按照列进行填充
• index=batch_data.label:表示把batch_data.label里面的元素值作为下标，去下标对应位置(这里的"对应位置"解释为列，如果dim=0，那就解释为行)进行填充
• src=1:表示填充的元素值为1，src也可以是一个跟batch_data.label同样大小的tensor，具体可以看这篇文章

最后经过scatter_我们得到label长下面的样子:

所以应该知道: 当dim设置为1的时候，我们遍历label的每一行，然后去填充该行的一些列

• 哪些列?——去batch_data.label的对应行找(所以这两个tensor的行数在dim=1时，需要相等；如果dim=0，则"需要变换的那个tensor"和“index”的列数需要相等)
• 填充什么东西?——去src那个参数的地方找，如果src就是一个值，那填充的就是那个值，否则src就必须要是一个跟index参数大小一样的一个tensor。

这样我们就可以进一步把pred_label和label送入一个BCEloss function去计算loss了。

self.training_criterion = nn.BCELoss()
loss = self.training_criterion(pred_label, label)

参考

Pytorch scatter_ 理解轴的含义
BCE loss