普通广播

>>> import torch
>>> a = torch.tensor([[1,2,3],[4,5,6]])
# 和a shape相同，但是用0填充
>>> b = torch.full_like(a,0)
>>> c = torch.tensor([[0,0,1],[1,0,1]])
# 赋值索引
>>> c[:,0]
tensor([0, 1])
# 赋值语句：使用广播机制进行赋值
>>> b[range(n),c[:,0]] = 1
>>> b
tensor([[1, 0, 0],
        [0, 1, 0]])

为什么会出现这样的结果？

赋值语句的意思是：

range(n)表示对b的所有行进行赋值操作
c[:,0]] 表示执行赋值操作的b的列索引，[0, 1] 表示第一行对索引为0的列进行操作（赋值为1）；第二行对索引为1的列进行操作（赋值为1）
最右边的1表示对应索引位置所赋的值

scatter函数

import torch
label = torch.zeros(3, 6) #首先生成一个全零的多维数组
print("label：",label)
a = torch.ones(3,5)
 
b = [[0,1,2],[0,1,3],[1,2,3]]
#这里需要解释的是，b的行数要小于等于label的行数，列数要小于等于a的列数
print(a)
label.scatter_(1,torch.LongTensor(b),a) 
#参数解释：‘1’：需要赋值的维度，是label的维度；‘torch.LongTensor(b)’：需要赋值的索引；‘a’：要赋的值
print("new_label: ",label)

label： 
tensor([[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.]])
tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])
new_label:  
tensor([[1., 1., 1., 0., 0., 0.],
        [1., 1., 0., 1., 0., 0.],
        [0., 1., 1., 1., 0., 0.]])

举例：

>>> b = torch.full_like(a,0)
>>> b
tensor([[0, 0, 0],
        [0, 0, 0]])
>>> c = torch.tensor([[0,0],[1,0]])
>>> c
tensor([[0, 0],
        [1, 0]])
# 1表示对b的列进行赋值，以c的每一行的值作为b的列索引，一行一行地进行赋值
# c第一行 [0,0] 表示分别将b的 第一行 第0列、第0列 元素赋值为1 （重复操作了）
# c第二行 [1,0] 表示 将b的 第1列、第0列 元素赋值为1 （逆序了）
# 上面的这两个赋值操作其实有重复的、逆序的
>>> b.scatter_(1,torch.LongTensor(c),1)
>>> b
tensor([[1, 0, 0],
        [1, 1, 0]])