『图解』深度可分离卷积

深度可分离卷积其实是一种可分解卷积操作（factorized convolutions）。其可以分解为两个更小的操作：depthwise convolution 和 pointwise convolution。

深度卷积

与标准卷积网络不一样的是，这里会将卷积核拆分成单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，这样就得到了和输入特征图通道数一致的输出特征图。如上图，输入12*12*3 的特征图，经过5*5*3的深度卷积之后，得到了8*8*3的输出特征图。输入和输出的维度是不变的3，这样就会有一个问题，通道数太少，特征图的维度太少，能获得足够的有效信息吗?

（3）逐点卷积

逐点卷积就是1*1卷积，主要作用就是对特征图进行升维和降维，如下图：

在深度卷积的过程中，我们得到了8*8*3的输出特征图，我们用256个1*1*3的卷积核对输入特征图进行卷积操作，输出的特征图和标准的卷积操作一样都是8*8*256了。

标准卷积与深度可分离卷积的过程对比如下：

（4）为什么要用深度可分离卷积？

深度可分离卷积可以实现更少的参数，更少的运算量。

将卷积乘法变成加法来实现相同的效果