1 神经网络加上注意力机制后精度不升反降，原因何在？添加注意力机制未达预期效果，原因不外乎两点：一是代码实现存在错误，二是注意力机制本身不适配。代码错误问题在此暂不赘述，需重点关注激活函数、残差连接等关键环节。而针对注意力机制不适配的情况，我们需深入理解：

2 注意力机制本质上是一种特征，它通过附加到源特征上，实现类似特征增强的效果。从原理上讲，引入注意力机制后，即便效果未显著提升，也不应导致性能下降。然而，在实际应用中，我们却经常遇到性能下滑的情况（理论上，若注意力机制完全未发挥作用，即所有权重均置零，则相当于未添加注意力机制。但在现实网络学习中，这种情况几乎不会发生，因此更可能出现的是学习效果不佳导致性能下降）。

3 换个角度来说，注意力机制是一组权重，这些权重附加到特征上后，有的会增强特征，有的则不会。当大量权重附加都达到增强效果，而只有少量特征受到负面影响时，注意力机制整体上就起到了增强作用。这也是我们常说的注意力机制能够强化有用特征、弱化无用特征的作用。但实际上，我们无法确切知道它强化的是哪些特征，也不可能保证它强化的都是有用特征。

4 注意力机制的提升效果并不显著，其增强作用是多层堆叠后的整体体现。需要明确的是，在常用的resnet模型中，虽然注意力机制只添加在一个位置，但注意力机制的效果与网络层的数量是正相关的。更深的resnet模型之所以能取得更好的注意力效果，归根结底是因为注意力的层数增多了。

📍另外，我整理了十篇关于CNN+注意力机制的最新论文及代码，方便大家参考。