之前对SE模块的两个全连接层的作用和设置有疑问，于是和实验室同学讨论学习了一下，以下是我自己的理解，如果有不准确的地方请批评指正。

1、压缩（Squeeze）

进行的操作是 全局平均池化（global average pooling）
特征图被压缩为1×1×C向量

2、激励（Excitation）

两个全连接层。
两个FC组成一个可训练的函数，用来学习通道注意力。（所以FC激活函数不是线性的就行）

两个FC构成了bottleneck结构：（SERatio是一个缩放参数）
第一个FC把神经元数量减少了 1. 除去冗余信息 2. 降低计算量
第二个FC的作用就是恢复到1×1×C尺寸。
（分割的Unet把尺寸越整越小就是在把那些纹理什么信息都取掉，只留下边界信息，之后再把尺寸回到原来的大小）

上图来自： https://blog.csdn.net/qq_34923437/article/details/106126432