# 小白学PyTorch | 12 SENet详解及PyTorch实现

• 1 网络结构
• 2 参数量分析
• 3 PyTorch实现与解析

## 1 网络结构

• 输出特征图假设shape是

• 一般的Resnet就是这个特征图经过残差网络的基本组块，得到了输出特征图，然后输入特征图和输入特征图通过残差结构连在一起（通过加和的方式连在一起）；
• SE模块就是输出特征图先经过一个全局池化层，shape从

• 压缩Squeeze：先放到第一个全连接层里面，输入

,r是一个事先设置的参数；

• 激活Excitation：在接上一个全连接层，输入是

• 现在我们有了一个

## 3 PyTorch实现与解析

import torch
import torch.nn as nn
import torch.nn.functional as F

class PreActBlock(nn.Module):
def __init__(self, in_planes, planes, stride=1):
super(PreActBlock, self).__init__()
self.bn1 = nn.BatchNorm2d(in_planes)
self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=3, stride=stride, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(planes)
self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, padding=1, bias=False)

if stride != 1 or in_planes != planes:
self.shortcut = nn.Sequential(
nn.Conv2d(in_planes, planes, kernel_size=1, stride=stride, bias=False)
)

# SE layers
self.fc1 = nn.Conv2d(planes, planes//16, kernel_size=1)
self.fc2 = nn.Conv2d(planes//16, planes, kernel_size=1)

def forward(self, x):
out = F.relu(self.bn1(x))
shortcut = self.shortcut(out) if hasattr(self, 'shortcut') else x
out = self.conv1(out)
out = self.conv2(F.relu(self.bn2(out)))

# Squeeze
w = F.avg_pool2d(out, out.size(2))
w = F.relu(self.fc1(w))
w = F.sigmoid(self.fc2(w))
# Excitation
out = out * w

out += shortcut
return out

class SENet(nn.Module):
def __init__(self, block, num_blocks, num_classes=10):
super(SENet, self).__init__()
self.in_planes = 64

self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(64)
self.layer1 = self._make_layer(block,  64, num_blocks[0], stride=1)
self.layer2 = self._make_layer(block, 128, num_blocks[1], stride=2)
self.layer3 = self._make_layer(block, 256, num_blocks[2], stride=2)
self.layer4 = self._make_layer(block, 512, num_blocks[3], stride=2)
self.linear = nn.Linear(512, num_classes)

def _make_layer(self, block, planes, num_blocks, stride):
strides = [stride] + [1]*(num_blocks-1)
layers = []
for stride in strides:
layers.append(block(self.in_planes, planes, stride))
self.in_planes = planes
return nn.Sequential(*layers)

def forward(self, x):
out = F.relu(self.bn1(self.conv1(x)))
out = self.layer1(out)
out = self.layer2(out)
out = self.layer3(out)
out = self.layer4(out)
out = F.avg_pool2d(out, 4)
out = out.view(out.size(0), -1)
out = self.linear(out)
return out

def SENet18():
return SENet(PreActBlock, [2,2,2,2])

net = SENet18()
y = net(torch.randn(1,3,32,32))
print(y.size())
print(net)


- END -

0 条评论

• ### 小白学PyTorch | 6 模型的构建访问遍历存储（附代码）

torch.nn.Module是所有网络的基类，在PyTorch实现模型的类中都要继承这个类（这个在之前的课程中已经提到）。在构建Module中，Module是...

• ### 小白学PyTorch | 4 构建模型三要素与权重初始化

第一行是初始化，往后定义了一系列组件。nn.Conv2d就是一般图片处理的卷积模块，然后池化层，全连接层等等。

• ### 小白学PyTorch | 18 TF2构建自定义模型

之前讲过了如何用tensorflow构建数据集，然后这一节课讲解如何用Tensorflow2.0来创建模型。

• ### 1.8亿条海量Txt数据存储MySQL实践

最近出去旅游了，嗨皮了嗨皮，明天上班，开始做作业，今日将1.8亿数据存储的方式进行总结，欢迎大家拍砖！

• ### 获取 zabbix 挂件数据(widget)

Zabbix 有非常丰富的 API ，但没有 widget 的 API。 所以获取 widget 的数据需要通过模拟登录爬取网页的形式来做。虽然我们可以用一定的...

• ### 使用以 Tensorflow 为后端的 Keras 构建生成对抗网络的代码示例

生成式对抗网络（GAN）是近期深度学习领域中最有前景的发展之一。 GAN由Ian Goodfellow于2014年推出，它通过分别训练两个相互竞争和合作的深度网...

• ### 小白学PyTorch | 6 模型的构建访问遍历存储（附代码）

torch.nn.Module是所有网络的基类，在PyTorch实现模型的类中都要继承这个类（这个在之前的课程中已经提到）。在构建Module中，Module是...