ImageNet 2017 竞赛 Image Classification 任务的冠军。在chanel维度上做了squeeze and excitation的操作，从而获取了feature map 的权重，再叠加到原来的的网络里。其实就是显式地建模特征通道之间的相互依赖关系。
在空间的维度上
googlenet 多尺度 11 33 5*5 size变小
还能学好的特性resnext 更加的极端 不同的通道group 卷积 最后concat 在一起
可以在任意网络中嵌入该模块
其中 squeeze操作把每个通道变成了一个标量，在空间维度上特征压缩，拥有全局感受野，表征特征通道上响应的全局分布。用的是global average pooling ,为什么用的是avg 而不是max?在其他任务，如检测任务，输入的feature map 大小可能变的，avg 能量保持~max的话 feature map 越大，大的feature map 和小的feature map 的求最大值，训练和测试的时候不等价？全局的卷积，feature map 大的时候参数就很那个了。
excitation操作：为每个通道生成权重，类似于循环神经网络里的门的机制。FC+Relu+FC+sigmoid(度量到0-1之间）
最后在scale起来，ex给每个channel 生成一个weight ，在把weight乘到原先的特征上。
训练。
how to add this block to existed model?
为什么要/r 降维，减少参数在网络后面的部分，channel 数很大的 r的取值16 经验值
add 的参数量：两个全连接c
计算量
3%：是最后一个组 7*7的那个 block去掉的情况下，毕竟channel 有2048，结果
训练上，用自己公司的框架
需要好的初始化？那么先训练一个不带这个的，然后再添加se block,重新微调一下，效果会怎样？
balance :先对类别采样，然后再选样本，结果轻微好一点
实验对比：
r的取值的影响
imagenet 结果比较
是resnext152的改进：
77变成3个33 Loss： label smoth loss 训练最后几个epoch bn固定住（bn和batch相关，一直会变，这么做保持训练和测试一致）
