SE-ResNet的实现

见：D:\pythonCodes\深度学习实验\4.1_经典分类网络\inference代码汇总\models\se_resnet.py

一、SE-ResNet的实现方法

读了senet这篇论文之后，可以知道senet并没有提出一个新的网络，而是提出了一个即插即用的模块。这个模块叫做SE Block（在实现的时候，为了防止与SEBasicBlock这个名字混淆，叫做SELayer）。

本文希望实现se_resnet网络，也就是将SE Block嵌入到ResNet中形成的网络。se_resnet与resnet的差别就是，就是在BasicBlock（resnet18/34使用的是BasicBlock堆叠，而resnet50/101/152使用的是Bottleneck进行堆叠，这里就以BasicBlock举例，Bottleneck完全一样）中增加了SE Block这个操作。

比如下图，上面是BasicBlock的结构，下图就是SEBasic的结构，就是多出来了一个小圈圈。

 通过读resnet的源码，我们知道是通过Resnet()这个类来组织成整个网络的。比如：

          resnet34 = ResNet(BasicBlock, [3,4,6,3])

          resnet18 = ResNet(BasicBlock, [2,2,2,2])

          resnet50 = ResNet(Bottleneck, [3,4,6,3])

          resnet101 = ResNet(Bottleneck, [3,4,23,3])

          resnet152 = ResNet(Bottleneck, [3,8,36,3])
 

ResNet()接收两个参数，一个是block，另一个是堆叠的次数layers。只要传入参数，就能组织成一个网络了。比如传入的是BasicBlock，[3,4,6,3]就能得到resnet34了。这个函数就会自动地用3个BasicBlock组成layer1,用4个BasicBlock组成layer2,用6个BasicBlock组成layer3，用3个BasicBlock组成layer3，然后加上头尾等，组成一个网络。

我们可以利用ResNet()函数来构建我们的se_resent网络。只要给ResNet()传入SEBasicBlock和[3,4,6,3]就可以得到se_resnet34了。。

因此最关键的就是实现SEBasicBlock。而SEBasicBlock代码简直就是照抄BasicBlock代码，只要加上SELayer就行了。

(1) SELayer的实现

就是论文中的SE Block，在实现的时候，为了防止与SEBasicBlock这个名字混淆，叫做SELayer。

就是实现下面这个操作：

代码：

class SELayer(nn.Module):
    def __init__(self, channel, reduction=16):
        super(SELayer, self).__in