深度可分离卷积计算量分析

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 508平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄14年

关注

原创最新推荐文章于 2026-04-24 11:22:04 发布 508 阅读 AI 写同款· GEO 优化 ›

别再死记硬背了！用PyTorch手把手带你复现MobileNet V1，搞懂深度可分离卷积 本文详细介绍了如何使用PyTorch从零实现MobileNet V1，深入解析其核心创新——深度可分离卷积的设计原理与工程实践。通过代码示例和性能对比，帮助开发者理解这一轻量级网络在移动端部署中的优势，提升模型效率与实用性。阅读详情

深度可分离卷积将卷积分成两步：特征图局部信息的整合、各通道的信息交互
如图所示，红框圈住的上面图是一般卷积的情形，下面是深度可分离卷积的情形，最下面是两者计算量的比较
正常卷积计算量T1是输出特征图的高度、宽度、卷积核的高度、宽度、输入维度、输出维度的乘积
深度可分离卷积第一步计算量比T1少了输出维度，第二步比T1少了卷积核的高度、宽度

收录于

deeplearning

当前文章被收录于：

deeplearning

77 篇文章 2 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#深度学习 #pytorch

在 SAP 里玩转 FTP：标准程序 RSFTP00x 全景解析与落地实践摘要：SAP系统通过封装的标准FTP程序(RSFTP001-008)提供便捷的文件传输能力，适用于各类集成场景。关键点包括：1)依赖SAPFTP可执行程序和RFC目的地；2)使用RSFTP005进行前置检查并生成RFC配置；3)标准报表各司其职，如RSFTP002用于命令测试、RSFTP007/008提供参考实现；4)开发时组合FTP_CONNECT/COMMAND/DISCONNECT等函数模块。特别注意前台(SAPFTP)与后台(SAPFTPA)的环境差异，这是常见故障点。该方案通过标准化工具链显著降低阅读详情

相关推荐

Linux显卡管理避坑指南：为什么Xorg总是占用你的NVIDIA GPU？

本文深入解析了在Linux系统上，尤其是双显卡笔记本中，Xorg显示服务器进程占用NVIDIA GPU的根本原因。文章从Xorg的驱动加载机制和NVIDIA驱动的独占性入手，详细对比了禁用配置文件、手动配置xorg.conf、使用官方PRIME方案以及切换到Wayland等主流解决方案的优缺点与适用场景，旨在帮助用户有效释放GPU资源，确保深度学习、游戏等计算任务能独占显卡性能。

xgboost6farmer的博客 267

卷积核里面的参数怎么来的_深度可分离卷积（Depthwise separable convolution）

一、深度可分离卷积（Depthwise separable convolution）一些轻量级的网络，如mobilenet中，会有深度可分离卷积depthwise separable convolution，由depthwise(DW)和pointwise(PW)两个部分结合起来，用来提取特征feature map。相比常规的卷积操作，其参数数量和运算成本比较低。二、常规卷积操作对于5x5x3的输...

weixin_39669265的博客 2041

ndnSIM学习笔记（一）

在接下来的一段时间要用ndnSIM来做自己的仿真网络，需要系统的学习相关内容，以下为内容记录。1.安装 1.1核心依赖（必需的） • python >= 2.6 • libsqlite3 • libcrypto++ • pkg-config • Boost lib...

gaonjzzz的博客 2985

深度可分离卷积的计算量

深度可分离卷积将传统的卷积分解为一个深度卷积（depthwise convolution）+ 一个 1×1的卷积（pointwise convolution）。如下图所示，(a)是传统卷积，(b)、(c)分别对应深度可分离卷积的深度卷积和 1×1的卷积：假设输入特征图大小为 D_F×D_F×M，输出特征图大小为 D_F×D_F×N，卷积核大小为 D_K×D_K，则传统卷积的计算量为：...

weixin_42702666的博客 9547

win11本地部署openclaw实操第1集

OpenClaw 是一款开源、本地优先、可自托管的 AI 智能体（AI Agent）网关 / 自动化框架，核心是让 AI 从 “只聊天、给建议” 变成 “能在你电脑上真做事” 的数字助手。

weixin_44626085的博客 7126

Cursor锁机了怎么办？实测这个开源插件帮你无限“续杯”，附详细安装与防踩坑指南

本文提供了Cursor锁机问题的详细解决方案，包括使用开源插件`cursor-fake-machine`修改机器标识、锁定配置文件权限以及优化使用规范。同时介绍了如何利用Cursor开发油猴脚本将微信公众号文章高效转换为Markdown格式，提升内容创作效率。

weixin_26805597的博客 766

四、CNNs网络架构-深度可分离卷积（MobileNet v1、MobileNet v2、MobileNet v3、Xception、ShuffleNet v1、ShuffleNet v2）

本文主要解释了什么是深度可分离卷积，并介绍了以下几个网络结构：MobileNet v1、MobileNet v2、MobileNet v3、Xception、ShuffleNet v1、ShuffleNet v2。

damadashen的博客 9241

别再为PT100测温发愁了！手把手教你用ADS1247+STM32搞定高精度温度采集（附完整代码）

本文详细介绍了如何使用ADS1247与STM32构建高精度PT100测温系统，涵盖硬件设计、SPI配置、温度计算及调试技巧。通过24位ADC和内置PGA，实现0.1℃级精度，适用于工业自动化和医疗设备。附完整代码和常见问题解决方案，助你快速掌握高精度温度采集技术。

weixin_42524703的博客 343

深度可分离卷积Depthwise Separable Convolution

从卷积神经网络登上历史舞台开始，经过不断的改进和优化，卷积早已不是当年的卷积，诞生了分组卷积（Group convolution）、空洞卷积（Dilated convolution 或 À trous）等各式各样的卷积。今天主要讲一下深度可分离卷积（depthwise separable convolutions），这是 Xception 以及 MobileNet 系列的精华所在。 ...

知识搬运工的博客 7312

26. 如何给 SAP BTP Cloud Foundry 环境分配运行时内存

摘要：本文解答了SAP BTP Cloud Foundry环境中Space可用内存为0MB的问题。指出Space内存配额取决于Org配额分配，其计算方式为Org总配额减去所有运行中应用实例的内存预留总和。详细解释了SAP BTP的资源分配层级（Global account→Subaccount→Environment→Org→Space），并说明如何通过Global account的Entity Assignments查看Memory Plan配额分配（以GB为单位）。最后建议遇到问题的用户检查Subacc

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 1261

“守望先锋”网络同步分析

守望先锋”（Overwatch）是一款由暴雪娱乐开发的团队基础第一人称射击游戏（FPS），于2016年正式发布。游戏以其独特的角色设计、丰富的游戏模式和高度的团队合作性而受到广泛欢迎。类型：第一人称射击（FPS）/多人在线战斗竞技场（MOBA元素）平台玩家人数：每场比赛由两个六人队伍组成，共12名玩家。客户端/服务器模型：在这种模型中，客户端负责处理用户输入和表现逻辑，而服务器则负责游戏的核心逻辑和状态管理。客户端与服务器之间通过网络进行通信，确保游戏状态的一致性。强同步机制。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度，也有思维广度，无论你是开发者、创业者还是高校学子，都能在这里找到适合自己的成长之路！ 425

深度可分离卷积参数量、计算量分析

分析：标准卷积的乘法计算量，只看乘法，首先输出的feature map里面，每一个元素都代表了一次卷积，所以输出有多少个feature map元素，就对应了进行了多少次卷积，红色里面就是feature map的元素个数，再乘以一次卷积的乘法次数，一次卷积其实就是卷积核的长宽乘以卷积核的通道，卷积核的感受野（蓝色里面），所以这是标准卷积一次卷积的乘法计算量，而参数量就是卷积核的长宽乘通道，再乘以N个卷积核。所以深度可分离卷积可以把参数量缩减为原来的N分之一，N往往是很大的数，比如N是256、512。

qq_34425255的博客 1096

读懂 ABAP CDS 注解的直接、继承与派生

本文系统梳理了ABAP CDS注解的评估逻辑，重点解析直接注解（Direct）、继承注解（Inherited）和派生注解（Derived）的差异及其在CL_DD_DDL_ANNOTATION_SERVICE中的处理方式。通过视图注解@Metadata.ignorePropagatedAnnotations可调控注解传播行为，避免下游语义影响上层视图。文章还提供了基于标准表的完整示例（包含底层视图、消费视图和ABAP报告程序），帮助开发者在实际系统中验证三层注解的叠加效果与阻断机制。关键点包括：派生注解的数据

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 244

卷积算子参数量和计算量分析（普通卷积、深度可分离卷积、分组卷积）

在用于计算机视觉任务的深度神经网络模型中，卷积算子作为一种重要的特征提取方式被广泛应用，本文针对常见的卷积算子参数量和计算量的计算方法进行分析，主要包括普通卷积、深度可分离卷积、分组卷积。

张小殊的博客 1万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

深入浅出理解深度可分离卷积（Depthwise Separable Convolution）

IT菜鸟 13万+

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

Python/torch/深度学习——深度可分离卷积（Depthwise Separable Convolution， DSC）

深度可分离卷积学习记录。

eagle_Annie的博客 3642

降低模型计算量

其中深度分离的卷积运算和普通的运算类似，只不过不再将三个通道(RGB)变成一个通道了(普通卷积核一般是对图像的三通道分别进行卷积再相加化为一个通道)，这次是直接三个通道输入三个通道输出，也就是对应三个独立参数，不同参数内容的卷积，每一个卷积核对应一个通道(输入一个通道，输出一个通道)。这篇文章仅仅是讨论了一些模型计算量的问题，一个网络运行的快否，不仅与网络的计算量有关，网络的大小、网络参数精度的高低、中间变量的优化以及混合精度等等都可以作为提速的一部分，限于篇幅将在下一部分进行讨论。对于上一个层中输出的。

whaosoft143ai的博客 717

mobileNet-v1理论分析

1.概述 mobileNet是为移动和嵌入式设备提出的高效模型压缩的一种方式，其主要提出了可分离卷积来实现网络的轻量化，该方式的提出使得网络可以在损失较小的情形下，模型得到较大的压缩，从而为在嵌入式端进行实现提供了可能。该模型压缩方式已经在很多分类和目标检测等网络中得到了验证。目前建立小型高效神经网络的方式，主要有两种： (1)压缩预训练模型：获取...

仰望星空 668

深度可分离卷积

由模型量化而思考深度可分离卷积以及MobileNet

Just_do_myself的博客 5498

深度可分离卷积_MobileNet-深度可分离卷积

论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applicationsarxiv.orgMobileNet的核心就是Depthwise separable convolution（深度可分离卷积），它将一般的卷积过程分为了depthwise convolution（逐深度卷积）和pointwi...

weixin_39765325的博客 566

卷积，池化，深度可分离卷积——输出特征图计算，感受野计算，计算量，参数量

1. 卷积和池化的输出特征图的大小计算公式一样，如下： 2. 感受野(Receptive Field)：卷积神经网络每一层输出的特征图上的一个像素点在原始图像上映射的区域的大小，计算公式如下(N_RF为当前层感受野，（N-1)_RF为前一层感受野)： (...

^_^ 4246

pytorch实现分组卷积 深度可分离卷积

常规卷积：常规卷积需要的参数量：Cin×K×K×Cout 分组卷积：分组卷积需要的计算量 ：Cin×K×K×Cout / g 深度可分离卷积(Depthwise Separable Convolution): 需要的计算量：Cin×K×K+Cout×1×1 实现： import torch from torchsummary import summary import torch.nn as nn ''' 实现分组卷积demo ''' class ...

wzw12315的专栏 7178

普通卷积 vs 深度可分离卷积（DWConv、DSConv）对比

随着深度学习模型在端侧部署和实时推理中的广泛应用，模型轻量化成为了一个重要课题。其中，一个重要方向就是改进传统的卷积操作，提升模型效率。深度可分离卷积（Depthwise Separable Convolution，DSConv）就是其中的代表技术。那么，深度可分离卷积和我们熟悉的普通卷积（standard convolution）究竟有何不同？今天我们就从直观理解、数学公式、计算量和实际应用四个方面，为大家拆解 DWConv 和 DSConv 的本质。

2504_90552961的博客 5231

彻底理解传统卷积，深度可分离卷积

传统卷积和 深度可分离卷积 细节分解

qq_63864989的博客 735

卷积种类和计算FLOPs（计算量）

(未用到)

czlczl20020925的博客 482

深度可分离卷积原理分析回顾、代码实践与优缺点对比学习记录

Together_CZ的博客 2891

深度学习之depthwise separable convolution,计算量及参数量

目录： 1、什么是depthwise separable convolution? 2、分析计算量、flops 3、参数量 4、与传统卷积比较 5、reference 转载于:https://www.cnblogs.com/qinduanyinghua/p/11303648.html...

weixin_30918415的博客 597