深度学习-深度可分离卷积详解

        为了计算方便，这里先固定stride=1，padding=1，卷积核大小DK=3，这样卷积后和之前的特征图大小相等，都是DF。

普通卷积：

        M=3为通道数，DF为特征图大小，N=5为卷积核个数，经过卷积特征图大小为DF不变，通道变为N。

        矩阵运算次数：DF*DF*M*N*DK*DK

        卷积核参数：DK*DK*M*N

 

深度可分离卷积：

        深度可分离卷积可以看作由两部分组成，左边为深度卷积，右边为点卷积，深度卷积是对每个通道单独做卷积，之后点卷积使用N个1*1*M的卷积核进行卷积，最后生成的结果与普通的卷积一样，只不过这样减少了参数和运算量。

        矩阵运算次数：DF*DF*M*DK*DK+DF*DF*M*N

        卷积核参数：DK*DK*M+M*N

 

--end--