通道注意力的代表模型是SE-Net，它分为压缩和激励两个部分，其中压缩部分的目的是对全局空间信息进行压缩，然后再通道维度进行特征学习，形成各个通道的重要性，最后通过激励部分对各个通道进行分配不同权重
在压缩部分将H*W*C压缩到1*1*C，即把H*W压缩为1*1维，这个过程全程由平均池化实现
在激励部分，需要将压缩部分得到的1*1*C的维度融入全连接层，预测各个通道的重要程度，然后再激励到前面特征图对应通道上进行操作，采用简单的门控机制与Sigmoid激活函数
具体操作：
如果要将SEBlock加入到resnet等相关完整模型中，通常加在残差之前，因为激活是sigmoid原因，存在梯度消散的问题，所以尽量不挡道主信号通道去，即使本个残差模块有弥散问题，以不至于影响整个网络模型
