1数据集介绍ETT(电变压器温度)：由两个小时级数据集（ETTh）和两个15分钟级数据集（ETTm）组成。它们中的每一个都包含2016年7月至2018年7月的七种石油和电力变压器的负载特征。 数据集链接：https://drive.google.com/drive/folders/1ZOYpTUa82_jCcxIdTmyr0LXQfvaM9vIy

深入探讨一个在图像识别、自然语言处理等众多领域大放异彩的注意力模块——Squeeze-and-ExcitationNetworks（SEnet）。本文不仅会理论剖析SEnet的核心原理，还会手把手带你完成在TensorFlow和Pytorch这两个主流框架上的代码实现。准备好了吗？一起步入注意力机制的精妙世界。一、

原文地址：Squeeze-and-ExcitationNetworks源码地址：GitHub-hujie-frank/SENet:Squeeze-and-ExcitationNetworks摘要简介：卷积神经网络建立在卷积操作的基础上，它通过融合局部感受野内的空间信息和通道信息来提取有用的特征。近年来，为了提高网络的表示能力，多种方法显示出

Squeeze-and-ExcitationNetworks*Authors:[[JieHu]],[[LiShen]],[[SamuelAlbanie]],[[GangSun]],[[EnhuaWu]]Locallibrary初读印象comment::(SENet)以前的工作都是在提高CNN的空间编码能力。这篇论文提出了“Squeeze-and-Excitation”块，研究通道之间的关系。

SENetV2:Aggregateddenselayerforchannelwiseandglobalrepresentations 官方代码是用tf.keras实现（论文中没有标注）：https://github.com/mahendran-narayanan/SENetV2-Aggregated-dense-layer-for-channelwise-and-global-representations我用torch和tf实现了一下：htt