目录

⒈结构图

⒉机制流程讲解

⒊源码（pytorch框架实现）及逐行解释

⒋测试结果

---

⒈结构图

左边是我自绘的，右下角是官方论文的。

⒉机制流程讲解

通道注意力机制的思想是，对于输入进来的特征层，我们在每一个通道学习不同的权重，这些权重与不同通道的特征相关，决定了每个通道在任务中的重要性。

对于SENet而言，它会对输入特征层进行这些操作：

①首先对输入特征层做了global average pooling，也就是全局平均池化，全局平均池化将对当前特征层取平均值，显然，高、宽分别为H、W的特征层经过平均池化操作后会得到一个实数，这个实数就是所有输入特征层的平均值；另外，平均池化并不影响通道数，因此，输入为C*H*W的特征经过平均池化后，H和W两个维度被压缩，就将得到只剩下C（也就是通道数）这一个维度的特征层。

②然后，对于平均池化输出的矩阵，进行两次全连接，第一次全连接和第二次是不完全相同的，区别在于：第一次全连接的通道数不完整，而是取原通道数的1/r，也就是这边的C/r，第二次则是用正常的通道数进行全连接。

这样做的目的是——能够减少通道个数从而降低计算量，并在一定程度上防止网络模型过拟合。（我在学习SEnet的结构时，看到第一次全连接减少通道数这个操作时，就有联想到神经网络的另一个trick，叫做dropout，dropout是一种正则化技巧，通过随机让神经网络中的部分神经元暂时失活，从而减少模型的过拟合风险，当时我以为SEnet的第一个全连接层就是运用了这个trick，但后来查阅资料时发现不是这样，dropout是随机减少全连接层中的部分神经元，而SEnet在这里是固定减少特征图的通道数，只能说有些异曲同工之妙吧），刚刚是在分享我学习过程遇到的小问题，现在说回正题，全连接1只取原通道数的1/r以此来减少计算量与防止过拟合，但是全连接2又用回原通道数——这样做是为了输出与原特征层相同的通道数，以便后续的最重要的reweight操作，也就是通过乘法逐通道加权到原先的输入特征层上。

值得注意的是，两个全连接层不是简单的直接相连，而是在全连接1后面经过一个relu激活函数，这是全连接层中很常规的操作，用来对一个全连接层的输出结果进行非线性变换，如果不这样做，所有的全连接层都只是普通的线性组合，这样训练出来的模型无法理解复杂的非线性数据和特征，可想而知这样的模型的检测效果肯定是很差的。

relu激活函数的公式其实很简单：f(x) = max(0, x)，在x大于等于零时是线性函数，但当输入为负数时，输出为零，在负数部分截断了线性部分，将其映射到了一个确定的点上，从而实现了非线性变换。

自绘烂图，将就看。

③再然后，需要对全连接2的输出结果映射到sigmoid函数中，sigmoid是很经典的激活函数，它的值域是0到1，画一下函数图像（显然x=0时函数值等于0.5）……然后，它的定义域是整个实数集，值域是0到1，也就是说，全连接2的输出结果映射到sigmoid函数中后，就将得到一组0到1之间的值（因此称此操作为归一化），也就是所谓的不同通道的权重。

公式：

自绘烂图，我真的尽力画了/(ㄒoㄒ)/~~

最后最后，将这组通道权重与原输入2特征层通过乘法逐通道加权，就实现了“增强重要的通道，抑制不重要的通道”，也就是所谓的通道注意力机制

⒊源码（pytorch框架实现）及逐行解释

import torch
from torch import nn
from torchsummary import summary
 
 
class SEAttention(nn.Module):
    def __init__(self, inputs, ratio=4):
        super(SEAttention, self).__init__()  # 调用父类构造方法
        _, c, _, _ = inputs.size()# NCHW
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.linear1 = nn.Linear(c, c // ratio, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.linear2 = nn.Linear(c // ratio, c, bias=False)
        self.sigmoid = nn.Sigmoid()
 
    def forward(self, inputs):
        n, c, _, _ = inputs.size()
        x = self.avgpool(inputs).view(n, c)#nchw，池化加reshape压缩维度
        x = self.linear1(x)
        x = self.relu(x)
        x = self.linear2(x)
        x = self.sigmoid(x)
        x = x.view(n, c, 1, 1) #reshape还原维度
        return inputs * x
 
 
#这边是测试代码，用summary类总结网络模型层
inputs = torch.randn(32, 512, 26, 26)  # NCHW
my_model = SEAttention(inputs)
outputs = my_model(inputs)
summary(my_model.cuda(), input_size=(512, 26, 26))

 解释：

①依赖包为torch，以及torch里的nn模块（导入这个纯粹是省得还要用torch.nn去调用nn的类或方法），summary类是用来测试的，需要提前下载，命令为->pip install torchsummary

②从整体来看，我们运用封装思想将整个模块封装为类，且这个类继承于nn.Moudule这个类，这个类共两部分，

__init__函数用来对实例化对象进行初始化，在python中这个函数属于类的魔术方法。

#代码逐行解释：
def __init__(self, inputs, ratio=4):#self必须写，inputs接收输入张量，ratio是通道衰减因子
        super(SEAttention, self).__init__()  # super关键字调用父类(即nn.Moudule类)的构造方法
        _, c, _, _ = inputs.size()#获取张量的形状(即NCHW)，该模块只关注参数C，其余用占位符忽略
        self.avgpool = nn.AdaptiveAvgPool2d(1)#nn模块的自适应二维平均池化，参数1等同于全局平均池化
        self.linear1 = nn.Linear(c, c // ratio, bias=False)#nn模块的全连接，这里输入c，输出c//ratio，bias是偏置参数，网络层是否有偏置，默认存在，若bias=False，则该网络层无偏置，图层不会学习附加偏差
        self.relu = nn.ReLU(inplace=True)#nn模块的ReLU激活函数，inplace=True表示要用引用传递（即地址传递），估计可以减少张量的内存占用（因为值传递要拷贝一份）
        self.linear2 = nn.Linear(c // ratio, c, bias=False)#同全连接1，但输入输出相反
        self.sigmoid = nn.Sigmoid()#nn模块的Sigmoid函数

forward函数进行前向传播，用初始化好的网络模型对输入特征层进行一系列加工。

#代码逐行解释：
def forward(self, inputs):#self必须写，inputs接收输入特征张量
        n, c, _, _ = inputs.size()#获取张量形状（即NCHW），HW被忽略
        x = self.avgpool(inputs).view(n, c)#nchw，池化加view方法重塑（reshape）张量形状，因为全连接层之间的张量必须是二维的（一个输入维度一个输出维度），view的参数是(n,c)表示只保留这两个维度
        x = self.linear1(x)
        x = self.relu(x)
        x = self.linear2(x)
        x = self.sigmoid(x)#上面这四行直接调用初始化好的网络层即可
        x = x.view(n, c, 1, 1) #reshape还原维度，因为要和原输入特征相乘，不重塑形状不同无法相乘
        return inputs * x#和原输入特征层相乘

⒋测试结果

感觉summary类没有很好使。。。有些关键网络层的变换没有体现出来，这里是少了最后reshape的一层，但无伤大雅罢！