免费网站流量,wordpress 3.9.2 漏洞,找外国女朋友的网站建设,广州微网站建设咨询什么是注意力机制
注意力机制是深度学习常用的一个小技巧#xff0c;它有多种多样的实现形式#xff0c;尽管实现方式多样#xff0c;但是每一种注意力机制的实现的核心都是类似的#xff0c;就是注意力。
注意力机制的核心重点就是让网络关注到它更需要关注的地方。
当…什么是注意力机制
注意力机制是深度学习常用的一个小技巧它有多种多样的实现形式尽管实现方式多样但是每一种注意力机制的实现的核心都是类似的就是注意力。
注意力机制的核心重点就是让网络关注到它更需要关注的地方。
当我们使用卷积神经网络去处理图片的时候我们会更希望卷积神经网络去注意应该注意的地方而不是什么都关注我们不可能手动去调节需要注意的地方这个时候如何让卷积神经网络去自适应的注意重要的物体变得极为重要。
注意力机制就是实现网络自适应注意的一个方式。
一般而言注意力机制可以分为通道注意力机制空间注意力机制以及二者的结合。
1.SENet介绍
SE注意力模块是一种通道注意力模块SE模块能对输入特征图进行通道特征加强且不改变输入特征图的大小。 SE模块的S(Squeeze):对输入特征图的空间信息进行压缩 SE模块的E(Excitation):学习到的通道注意力信息与输入特征图进行结合最终得到具有通道注意力的特征图 SE模块的作用是在保留原始特征的基础上通过学习不同通道之间的关系提高模型的表现能力。在卷积神经网络中通过引入SE模块可以动态地调整不同通道的权重从而提高模型的表现能力。
实现方式 1、对输入进来的特征层进行全局平均池化。 2、然后进行两次全连接第一次全连接神经元个数较少第二次全连接神经元个数和输入特征层相同。 3、在完成两次全连接后我们再取一次Sigmoid将值固定到0-1之间此时我们获得了输入特征层每一个通道的权值0-1之间。 4、在获得这个权值后我们将这个权值乘上原输入特征层即可。 实现代码
import torch
from torch import nnclass SEAttention(nn.Module):def __init__(self, channel512, reduction16):super().__init__()# 对空间信息进行压缩self.avg_pool nn.AdaptiveAvgPool2d(1)# 经过两次全连接层学习不同通道的重要性self.fc nn.Sequential(nn.Linear(channel, channel // reduction, biasFalse),nn.ReLU(inplaceTrue),nn.Linear(channel // reduction, channel, biasFalse),nn.Sigmoid())def forward(self, x):# 取出batch size和通道数b, c, _, _ x.size()# b,c,w,h - b,c,1,1 - b,c 压缩与通道信息学习y self.avg_pool(x).view(b, c)# b,c-b,c-b,c,1,1y self.fc(y).view(b, c, 1, 1)# 激励操作return x * y.expand_as(x)if __name__ __main__:input torch.randn(50, 512, 7, 7)se SEAttention(channel512, reduction8)output se(input)print(input.shape)print(output.shape)
SE模块是一个即插即用的模块在上图中左边是在一个卷积模块之后直接插入SE模块右边是在ResNet结构中添加了SE模块。
