一维SE代码

下面是一维SE（Squeeze-and-Excitation）代码的示例，假设输入张量的形状为 `(batch_size, channels, seq_len)`：

import torch.nn as nn

class SEBlock(nn.Module):
    def __init__(self, channels, reduction=16):
        super(SEBlock, self).__init__()
        self.avgpool = nn.AdaptiveAvgPool1d(1)
        self.fc1 = nn.Linear(channels, channels // reduction)
        self.relu = nn.ReLU(inplace=True)
        self.fc2 = nn.Linear(channels // reduction, channels)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        batch_size, channels, seq_len = x.size()
        y = self.avgpool(x).view(batch_size, channels)
        y = self.fc1(y)
        y = self.relu(y)
        y = self.fc2(y)
        y = self.sigmoid(y).view(batch_size, channels, 1)
        return x * y.expand_as(x)

在这里，我们定义了一个 `SEBlock` 类，它包含了一个全局平均池化层、两个全连接层和一个 sigmoid 激活函数。其中，`channels` 表示输入张量的通道数，`reduction` 表示 SE 模块中的通道缩减比例，默认为 16。在前向传播过程中，我们首先对输入张量进行全局平均池化，然后将结果输入到两个全连接层中进行特征转换。最后，我们使用 sigmoid 函数将转换后的特征映射到 0 到 1 的范围内，并将其扩展到输入张量的形状，与输入张量进行相乘操作，得到最终的输出结果。