tensor基本运算

mask_score_f = mask_score[:, 0, :, :].unsqueeze(1) #tensor:(N,2,W,H)  水平集函数 \phi
mask_score_b = mask_score[:, 1, :, :].unsqueeze(1) #tensor:(N,C,W,H)  待分割图像
interior_ = torch.sum(mask_score_f * lst_target, (2, 3)) / torch.sum(mask_score_f, (2, 3)).clamp(min=0.00001) # 内部常值 c_1
exterior_ = torch.sum(mask_score_b * lst_target, (2, 3)) / torch.sum(mask_score_b, (2, 3)).clamp(min=0.00001) # 外部常值 c_2
interior_region_level = torch.pow(lst_target - interior_.unsqueeze(-1).unsqueeze(-1), 2)
exterior_region_level = torch.pow(lst_target - exterior_.unsqueeze(-1).unsqueeze(-1), 2)
region_level_loss = interior_region_level*mask_score_f + exterior_region_level*mask_score_b
level_set_loss = torch.sum(region_level_loss, (1, 2, 3))/lst_target.shape[1]  # 通道平均； 

初次见到它很不清楚含义，经过一下午print各种中间量才知道一些含义。不妨设

mask_score = torch.ones(3,2,4,5)
lst_target = torch.ones(3,3,4,5)

（必须创建tensor才能用unsqueeze函数，否则建立数组后要先转成tensor。）
第一行： mask_score[:, 0, :, :]是取第1维的第0个元素，现在tensor大小为$3\ast 4\ast 5$；unsqueeze(1)在第1维前加一个维度，现在tensor大小为$3\ast 1\ast 4\ast 5$。
第二行： 同上，得tensor大小为$3\ast 1\ast 4\ast 5$。
第三行： mask_score_f大小为$3\ast 1\ast 4\ast 5$，而lst_target大小为$3\ast 3\ast 4\ast 5$，由于torch的broadcast机制，mask_score_f可以和lst_target相乘，相当于mask_score_f和每一个第一维的let_target都逐元素乘了一遍，进行了3遍。 相乘的结果是大小为$3\ast 3\ast 4\ast 5$的张量，然后得interior_是大小为$3\ast 3$的全1张量。clamp函数在这里是保证最小值的，即tensor里小于0.00001的值全改成0.00001。注意：若mask_score_f大小为$3\ast 2\ast 4\ast 5$，即便是仍用2，3维相乘再相加仍会报错（想想也是合理的，如果是$3\ast 1\ast 4\ast 5$的话可以把第1维复制三份）。
第四行： 同上，得大小为$3\ast 3$的全1张量exterior_。
第五行： lst_target大小为$3\ast 3\ast 4\ast 5$，interior_大小为$3\ast 3$。unsqueeze(-1)是在最后一维再拓展一维，作用两次变成$3\ast 3\ast 1\ast 1$大小。张量大小不一样不影响，只不过是最后两维分别复制四份和五份再做减法。再例如：a = torch.ones(3,3,2,2) ; b = torch.ones(3,3,1,1) * 2 ; c = b - a。则c为大小为$3\ast 3\ast 2\ast 2$的全1张量。pow(a,2)是求a的平方操作(逐分量求，跟矩阵乘法什么的无关)。
第六行： 同上，得大小为$3\ast 3\ast 4\ast 5$的张量。
第七行： 张量interior_region_level大小为$3\ast 3\ast 4\ast 5$，mask_score_f大小为$3\ast 1\ast 4\ast 5$，mask_score_f第1维复制三份，逐分量相乘即可。再例如：a = torch.ones(3,3,2,2) * 2 ; b = torch.ones(3,3,1,1) * 3 ; h= a * b。则h为大小为$3\ast 3\ast 2\ast 2$的全6张量。后面同理。
第八行： 现在region_level_loss大小为$3\ast 3\ast 4\ast 5$，把1-3维的数字都加起来（即后面三维，因为最前面是第0维）。lst_target.shape[1]表示lst_target第1维大小，它等于3（即$3\ast 3\ast 4\ast 5$的第二个3）。这个3代表通道数，所以意义是求通道平均。level_set_loss是一维张量，它仅有的一个维度（即第0维）有3个元素，这个3代表数据量大小N。理解一下的话就是level_set_loss代表每一批数据每一个通道平均水平集loss，也就是把空间上（x,y）逐点的loss相加。
注：如果是矩阵乘法，使用torch.matmul。
总结一下的话就是：如果一个维度只有1个元素，那么它做运算时可以复制，这点比较好，这样重点关注tensor的维度就可以了。
这八行代码结合原文，上午看了一小时看似明白了，实际完全没看明白，下午还是决定一点一点试，因为生成tensor数据比较方便，才算把代码的含义搞清楚。编程真不是一件容易的事情，自己水平有限，还是应该笨鸟先飞，多看多写。