facenet添加双重注意力机制CBAM步骤，及相关原理，代码

FaceNet是一个经典的人脸识别模型，它使用了深度卷积神经网络来提取人脸的特征向量，并且通过计算欧氏距离来比较两个人脸的相似度。为了提高FaceNet的性能，可以使用双重注意力机制CBAM来增强模型的注意力机制，从而提高模型的泛化能力和鲁棒性。

CBAM的全称是“Convolutional Block Attention Module”，它是一种基于卷积神经网络的注意力机制，可以动态地调整网络中每个特征通道的权重，从而提高网络对于不同特征的关注度。CBAM包含两个部分：通道注意力和空间注意力。

通道注意力的作用是动态地调整每个特征通道的权重，使得网络更加关注重要的特征通道，并抑制不重要的特征通道。通道注意力的计算公式如下所示：

$$
f_{c}=\sigma\left(MLP\left(\frac{1}{H W} \sum_{i=1}^{H W} X_{i, c}\right)\right)
$$

其中，$X$是输入的特征图，$H$和$W$分别表示特征图的高度和宽度，$c$表示特征图的通道数。$MLP$表示一个多层