深度可分离卷积、普通卷积、逐点卷积

1、普通卷积

这张图展示了一个卷积神经网络（CNN）中卷积层的计算过程，具体解释如下：

（1） 输入部分 ：3 channel Input：表示输入数据具有3个通道，通常类似于RGB图像的3个通道 ，以3个颜色不同的方块示意。

（2）卷积核（Filters）部分 ：Filters * 4：这里有4个卷积核，每个卷积核是三维的（考虑到输入的多通道）。图中每个卷积核用一个小方块阵列表示，且堆叠起来展示。

（3） 输出特征图（Maps）部分 ：Maps * 4：经过卷积操作后，会生成4个输出特征图，图中以4个灰色方块表示。每个输出特征图是由对应的卷积核与输入数据进行卷积运算得到的。

（4） 参数量计算 :图中给出了参数量的计算公式 `3*3*3*4` ：第一个 3表示卷积核的高度为3（卷积核是正方形，宽高相同 ）。第二个3表示卷积核的宽度为3 。 第三个 3表示输入通道数为3 ，因为卷积核要对每个输入通道进行卷积操作，所以通道数参与参数量计算。4 表示卷积核的数量为4 。 - 计算结果 `3*3*3*4 = 108` ，即该卷积层的参数量为108 。

2、深度可分离卷积

（1）输入：“3 channel Input” 表示输入数据有 3 个通道，就像 RGB 图像那样，用 3 个颜色不同的方块展示。

（2） 卷积核：“Filters * 3” 说明有 3 个卷积核 。在深度可分离卷积里，每个卷积核只针对一个输入通道操作，图中每个卷积核以小方块阵列呈现。

（3）输出特征图（Maps）：“Maps * 3” 指经过卷积操作会生成 3 个输出特征图，用 3 个灰色方块表示 ，每个由对应的卷积核与输入通道卷积得到。

（4）参数量计算 ：图中给出参数量计算公式 `3*3*3` ： 前两个 `3` 分别代表卷积核的高度和宽度（卷积核是正方形 ）。最后一个 `3` 是卷积核数量 。因为深度可分离卷积中每个卷积核只处理一个通道，不涉及跨通道操作，所以不乘输入通道数 。  计算结果 `3*3*3 = 27` ，即该深度可分离卷积层的参数量为 27 。相比常规卷积，深度可分离卷积通过减少参数量降低计算量，在保持模型性能前提下提升计算效率，适用于资源受限场景。

3、逐点卷积

深度可分离卷积并没有进行各个通道数据的融合，因此接着进行以下卷积。

注意：27是深度可分离卷积的计算量

（1）丰富特征表达

深度卷积只在单个通道内进行卷积操作，没有跨通道交互 ，输出特征图通道数与输入通道数相同，可能导致特征表达有限。后续的 1×1 卷积（逐点卷积）能将深度卷积输出的通道进行线性组合，实现跨通道信息融合，增加特征多样性和表达能力 。比如在图像识别任务中，不同通道可能提取到边缘、纹理等不同特征，通过逐点卷积可将这些特征融合，使模型学习到更具判别性的特征 。

（2）调整通道数

可以根据任务需求和模型设计，灵活调整通道数 。通过设置 1×1 卷积核的数量，能增加或减少通道数，控制模型计算量和复杂度 。在设计轻量级模型时，可利用 1×1 卷积减少通道数，降低计算成本；在需要提取更丰富特征时，适当增加通道数 。

（3）提升模型性能

深度可分离卷积虽能减少参数量和计算量，但可能牺牲部分模型表达能力。后续操作通过合理融合特征、调整通道等，弥补深度卷积的不足，提升模型整体性能 。实验表明，这种组合能在参数量相近情况下，使模型性能优于仅使用深度卷积的情况 。