SEnet

论文翻译：https://blog.****.net/Quincuntial/article/details/78605507

原理：
类似于之前的一篇文章，
自动学习每个channel 的权重。

from torch import nn


class SELayer(nn.Module):
    def __init__(self, channel, reduction=16):
        super(SELayer, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(
            nn.Linear(channel, channel // reduction, bias=False),
            nn.ReLU(inplace=True),
            nn.Linear(channel // reduction, channel, bias=False),
            nn.Sigmoid()
        )

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y.expand_as(x)

`
其实这里有一个问题，对于权重相乘的做法，之前是（1+w）*F，前面+1是为了保证原map不缩小而造成连锁效应，这里很明显缩小了啊，其实仔细一想，像sigmod**函数也会造成数据缩小，不过这不会影响最后的结果，主要看网络怎么搭建。