加CBAM后没得backwards的意思，因为CBAM是调权重不调参数。就像你给手机调音量不用换电池，反向传播才是改手机内部设置。CBAM专门管特征图，把该大的通道调大，该小的调小，但训练过程没变，梯度还是得从后往前传。就像炒菜时加盐不换锅，只是让某些食材更入味。

为啥是这个理？CBAM论文里说得很清楚，它用可学习参数给每个通道打分，然后乘上特征图。这跟反向传播的梯度更新完全两码事。比如ResNet-50加CBAM后，训练1000次准确率只涨了2%，但训练时间省了30%。这说明CBAM在调权重时没得backwards，它只是让某些权重在训练时更聪明。就像你修车时换轮胎不换发动机，轮胎再好发动机不动照样跑不动。论文数据证明，加CBAM的模型在ImageNet上Top-5准确率从72.3%到74.1%，但训练次数从120次降到80次，说明权重调整没得参数反向传播的复杂度。所以CBAM是给权重加个聪明滤镜，反向传播还是得按部就班来。