SENet（Squeeze-and-Excitation Network）注意力机制

  SENet（Squeeze-and-Excitation Network）是一种用于深度卷积神经网络（CNN）的注意力机制，旨在增强网络在特征通道上的表示能力。它通过学习每个通道的重要性权重，然后使用这些权重来重新加权特征图，从而增强有用信息的表示，抑制不相关信息。
  下面是详细介绍SENet注意力机制的步骤：
  1. Squeeze（压缩）阶段：
在这个阶段，对输入的特征图进行全局平均池化，以压缩通道维度。假设输入特征图为 X，形状为 (C, H, W)，其中 C 是通道数，H 和 W 分别是高度和宽度。全局平均池化会得到一个大小为 (C, 1, 1) 的张量。
  2. Excitation（激励）阶段：
  在这个阶段，通过一个两层的全连接网络来学习通道的重要性权重。这个全连接网络由一个压缩操作和一个激励操作组成。
  a. 压缩操作：将上一步中得到的 (C, 1, 1) 的张量输入到一个全连接层，将通道数压缩到一个较小的值，称为 middle_channels。
  b. 激励操作：将压缩后的特征输入到一个 ReLU 激活函数，得到一个 (middle_channels,) 的向量。
  3. 重标定（Re-calibration）阶段：
  将上一步中得到的激励向量扩展为 (C, 1, 1) 的张量，与原始特征图 X 逐元素相乘，从而获得每个通道上的加权特征图。
  以下是用 PyTorch 实现的示例代码：

import torch
import torch.nn as nn

class SEBlock(nn.Module):
    def __init__(self,in_channels,ratio):
        super(SEBlock, self).__init__()
        middle_channels=in_channels//ratio
        self.squeeze=nn.AdaptiveAvgPool2d(1)
        self.excitation = nn.Sequential(
            nn.Conv2d(in_channels, middle_channels, kernel_size=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(middle_channels, in_channels, kernel_size=1),
            nn.Sigmoid()
        )

    def forward(self, x):
        # Squeeze phase
        squeezed = self.squeeze(x)
        print("Squeezed shape:", squeezed.shape)
        # Excitation phase
        weights = self.excitation(squeezed)
        print("Excitation weights shape:", weights.shape)
        # Re-calibration phase
        output = x * weights
        print("Output shape:", output.shape)
        return output

if __name__ == '__main__':
    model=SEBlock(64,8)
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model.to(device)
    input_tensor=torch.randn(1,64,224,224).to(device)
    output_tensor=model(input_tensor)

  这段代码定义了一个名为 SEBlock 的模块，用于在给定的输入特征图上应用SENet注意力机制。在创建模型时，你可以将这个模块插入到你的卷积神经网络中，以增强特征表示能力。