SENet（Squeeze-and-Excitation Networks）是2017年提出的一种经典的通道注意力机制，这种注意力可以让网络更加专注于一些重要的featuremap，它通过对特征通道间的相关性进行建模，把重要的特征图进行强化来提升模型的性能。论文链接 代码实现

模型

  SENet的模型结果如图所示：

  网络的输入$X$是个多通道的图片，其维度为$[H^{\prime },W^{\prime },C^{\prime }]$ ，经过一系列卷积等维度变化操作后得到U，其维度是$[H,W,C]$ ，其中C是通道的数量，那么我们融合不同通道的特征呢，这个时候就进入到了SENet，对于U，先经过全局平均池化的操作，即将U的维度由$[H,W,C]$变成$[1,1,C]$，这一步对应着上图中的$F_{sq}(\cdot )$ ，实际上是对每一个特征图的特征通过池化的方式做了一个总结，这个总结作为初始值送入后面的多层神经网络，学习到不同通道的权重。全连接层的结构为：

  这个多层感知机的结构非常简单，就是两个全连接层和两个激活函数，在第一次全连接层后使用Relu激活函数，此时得到的输出维度为$[1,1,C^{\prime \prime }]$ 。第二个全连接层后使用Sigmoid函数，将每层数值归一化到0-1之间，以此表示每个通道的权重，第二个全连接的输出也为$[1,1,C]$。得到了最后$[1,1,C]$的输出后，我们将$U$和刚刚得到的权重结果相乘，得到最终的特征图$\hat{X}$，它和$U$的维度一致，但是在$\hat{X}$中，不同特征图已经根据权重结果进行了重新加权。

代码

附上SENet的一个简单实现：

def SENet(input):
    #全局平均池化
    x = nn.AdaptiveAvgPool2d((1,1))(input)
    x = x.view(1, -1)
    #第一个全连接层
    x = nn.Linear(2, 1)(x)
    x = nn.functional.relu(x)
    #第二个全连接层
    x = nn.Linear(1, 2)(x)
    x = nn.functional.sigmoid(x)

    return x


if __name__ == '__main__':
    input = torch.ones(1, 2 ,2 ,2)
    output = SENet(input)
    # 将SENet的输出维度进行变化，以便后面的乘机操作
    output = output.view(input.shape[0], input.shape[1],1, 1)
    SE_output = input*output