class ChannelAttention(nn.Module): def __init__(self, channel, reduction=16): super().__init__() self.maxpool = nn.AdaptiveMaxPool2d(1) self.avgpool = nn.AdaptiveAvgPool2d(1) self.se = nn.Sequential( nn.Conv2d(channel, channel // reduction, 1, bias=False), nn.ReLU(), nn.Conv2d(channel // reduction, channel, 1, bias=False) ) self.sigmoid = nn.Sigmoid() def forward(self, x): max_result = self.maxpool(x) avg_result = self.avgpool(x) max_out = self.se(max_result) avg_out = self.se(avg_result) output = self.sigmoid(max_out + avg_out) return output

这是一个名为ChannelAttention的自定义模块，用于通道注意力机制。它包含以下几个部分：

1. 初始化方法（__init__）：
- 接受两个参数：channel（通道数）和reduction（缩小比例，默认为16）。
- 创建了一个自适应最大池化层（nn.AdaptiveMaxPool2d）和一个自适应平均池化层（nn.AdaptiveAvgPool2d）。
- 创建了一个序列模块（nn.Sequential），其中包含两个卷积层：
- 第一个卷积层将输入通道数减少为原来的 1/reduction 倍，使用1x1的卷积核。
- 在第一个卷积层后添加了ReLU激活函数。
- 第二个卷积层将通道数恢复为原来的大小，同样使用1x1的卷积核。
- 创建了一个Sigmoid激活函数（nn.Sigmoid）。

2. 前向传播方法（forward）：
- 接受输入张量x作为输入。
- 通过最大池化层和平均池化层分别计算输入张量的最大值和平均值。
- 将最大值和平均值分别输入通道注意力模块中，得到两个输出。
- 将两个输出相加，并经过Sigmoid激活函数得到最终的输出。
- 返回最终输出。

这个模块的作用是通过学习通道间的相关性，将更多的注意力放在对当前任务更有用的通道上。