Este artículo explica la integración y el uso del módulo de atención CBAM (Convolutional Block Attention Module) dentro de un proyecto PyTorch. El código de referencia proviene del repositorio oficial para los artículos de BAM y CBAM.

Estructura del Proyecto y Archivos Principales

La organización del repositorio es la siguiente:

.
├── README.md
├── models
│   ├── cbam.py
│   └── ...
├── datasets
│   ├── cifar10.py
│   └── imagenet.py
├── main.py
└── utils
    ├── config.py
    └── train.py

La carpeta models contiene la definición del módulo de atención en cbam.py. datasets maneja la carga de datos para conjuntos como CIFAR-10 e ImageNet. main.py es el punto de entrada principal del programa, y utils incluye utilidades para la configuración y el bucle de entrenamiento.

Archivo de Inicio: main.py

El script main.py orquesta el flujo de trabajo completo:

1. Lee los parámetros de configuración desde utils/config.py.
2. Prepara el conjunto de datos seleccionado.
3. Construye el modelo de red neuronal que incorpora el módulo CBAM.
4. Define el criterio de pérdida y el optimizador.
5. Ejecuta el entrenamiento y la validación mediante funciones en utils/train.py.

Los comportamientos del entrenamiento se controlan ajustando los parámetros en config.py antes de ejecutar main.py.

Gestión de la Configuración

Los hiperparámetros se centralizan en la clase Config dentro de utils/config.py. Los campos disponibles incluyen:

• model_name: Identificador para la arquitectura del modelo.
• dataset: Nombre del conjunto de datos (ej: 'cifar10', 'imagenet').
• batch_size: Tamaño del lote.
• num_epochs: Número total de épocas.
• lr: Tasa de aprendizaje inicial.
• weight_decay: Factor de decaimiento de peso.
• resume: Indicador booleano para continuar desde un checkpoint.
• checkpoint_path: Ruta al archivo del checkpoint.

Proceso de Instalación y Ejecución

Para utilizar el proyecto, sigue estos pasos:

1. Obtén el código fuente: ``` git clone https://github.com/Jongchan/attention-module.git

2. Instala las dependencias de Python: ``` pip install -r requirements.txt

3. Modifcia los parámetros en config.py según tus necesidades.
4. Inicia el entrenamietno ejecutando: ``` python main.py