python自注意力模块

import torch
import torch.nn as nn

class AttentionModule(nn.Module):
    def __init__(self, input_channels):
        super(AttentionModule, self).__init__()
        self.conv = nn.Conv2d(input_channels, 1, kernel_size=1)  # 用于学习注意力权重的卷积层
        self.sigmoid = nn.Sigmoid()  # Sigmoid函数用于将注意力权重限制在0到1之间

    def forward(self, x):
        # 将输入x的尺寸从[batch_size, input_channels, height, width]变为[batch_size, input_channels, height, width]
#         x = x.unsqueeze(2)  # 在第3维上增加一个维度
        attention_weights = self.conv(x)  # 应用卷积层获取注意力权重，尺寸为[batch_size, 1, height, width]
        attention_weights = self.sigmoid(attention_weights)  # 使用Sigmoid函数将注意力权重限制在0到1之间
        attended_features = x * attention_weights  # 将注意力权重应用到输入特征上
        return attended_features # 去除增加的维度

# 创建一个尺寸为[16, 32, 1, 5]的随机输入张量
input_tensor = torch.randn(16, 32, 8, 3)

# 创建注意力模块实例
attention_module = AttentionModule(input_channels=32)

# 应用注意力模块到输入张量上
output_tensor = attention_module(input_tensor)

# 打印输出张量的尺寸
print(output_tensor.size())