【Paper Note】SENet论文——SE block详解

布满荆棘的人生 2023-01-17 07:37 92阅读 0赞

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvZ3Vlc2ly_size_16_color_FFFFFF_t_70]  
SENet这篇文章是CNN based，目前在推荐领域应用也很广泛，正好前几天看了MaskNet的论文，回头看这篇论文时候，发现SE block的作用和Mask block作用相似，顺便记录一下～  
SENet论文中给出的结构如下，由于论文是在CNN模型中提出的SE block  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvZ3Vlc2ly_size_16_color_FFFFFF_t_70 1]  
基本的流程如下：  
 z c = F s q ( u c ) = 1 H × W ∑ i = 1 H ∑ j = 1 W u c ( i , j ) z\_c=F\_\{sq\}(u\_c)=\\frac\{1\}\{H \\times W\}\\sum\_\{i=1\}^\{H\}\{\\sum\_\{j=1\}^\{W\}\{u\_c(i,j)\}\} zc=Fsq(uc)=H×W1i=1∑Hj=1∑Wuc(i,j)  s = F e x ( z , W ) = σ ( g ( z , W ) ) = σ ( W 2 δ ( W 1 z ) ) s=F\_\{ex\}(z,W)=\\sigma(g(z,W))=\\sigma(W\_2\\delta(W\_1z)) s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))

下面主要介绍应用在推荐系统中的调整版本：

#### Squeeze ####

主要作用：Global Information Embedding  
在Squeeze阶段，我们对每个特征的Embedding向量进行数据压缩与信息汇总，如下： z i = F s q ( v i ) = 1 k ∑ t = 1 k v i t z\_i=F\_\{sq\}(v\_i)=\\frac\{1\}\{k\}\\sum\_\{t=1\}^\{k\}\{v\_i^t\} zi=Fsq(vi)=k1t=1∑kvit  
假设某个特征 是k维大小的Embedding，那么我们对Embedding里包含的k维数字求均值，得到能够代表这个特征汇总信息的数值 ，也就是说，把第i个特征的Embedding里的信息压缩到一个数值。  
通过Squeeze阶段，对于每个特征  v i v\_i vi，都压缩成了单个数值  z i z\_i zi ，假设特征Embedding层有  f f f个特征，就形成了Squeeze向量  Z Z Z，向量大小为  f f f 。

#### Excitation ####

capture feature-wise dependencies  
 S = F e x ( Z , W ) = δ ( W 2 δ ( W 1 Z ) ) S=F\_\{ex\}(Z,W)=\\delta(W\_2\\delta(W\_1Z)) S=Fex(Z,W)=δ(W2δ(W1Z)) 每个特征以一个Bit来表征，通过MLP来进行交互，通过交互，得出结果：对于当前所有输入的特征，通过相互发生关联，来动态地判断哪些特征重要，哪些特征不重要。这个就和Mask block的目的想通了，都是通过构建一种运算方式，来动态的强化重要特征，弱化噪声或不重要的特征。  
因为假设Embedding层有f个特征，那么我们需要保证输出f个权重值，而第二个MLP就是起到将大小映射到f个数值大小的作用。这样，经过两层MLP映射，就会产生f个权重数值，第i个数值对应第i个特征Embedding的权重  a i a\_i ai 。我们把每个特征对应的权重  a i a\_i ai ，再乘回到特征对应的Embedding里，就完成了对特征重要性的加权操作。  a i a\_i ai 数值大，说明SENet判断这个特征在当前输入组合里比较重要，  a i a\_i ai 数值小，说明SENet判断这个特征在当前输入组合里没啥用。  
所谓动态，指的是比如对于某个特征，在某个输入组合里可能是没用的，但是换一个输入组合，很可能是重要特征。它重要不重要，不是静态的，而是要根据当前输入，动态变化的。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvZ3Vlc2ly_size_16_color_FFFFFF_t_70]: /images/20221021/4ac44e3a8cfb46a186c1d2dc080e01db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvZ3Vlc2ly_size_16_color_FFFFFF_t_70 1]: /images/20221021/305e2c6889834200abbac246abc1282a.png