深度可分離卷積其實是一種可分解卷積操作（factorized convolutions）。其可以分解為兩個更小的操作：depthwise convolution 和 pointwise convolution。

深度卷積

與標準卷積網絡不一樣的是，這里會將卷積核拆分成單通道形式，在不改變輸入特征圖像的深度的情況下，對每一通道進行卷積操作，這樣就得到了和輸入特征圖通道數一致的輸出特征圖。如上圖，輸入12*12*3 的特征圖，經過5*5*3的深度卷積之后，得到了8*8*3的輸出特征圖。輸入和輸出的維度是不變的3，這樣就會有一個問題，通道數太少，特征圖的維度太少，能獲得足夠的有效信息嗎?

（3）逐點卷積

逐點卷積就是1*1卷積，主要作用就是對特征圖進行升維和降維，如下圖：

在深度卷積的過程中，我們得到了8*8*3的輸出特征圖，我們用256個1*1*3的卷積核對輸入特征圖進行卷積操作，輸出的特征圖和標準的卷積操作一樣都是8*8*256了。

標準卷積與深度可分離卷積的過程對比如下：

（4）為什么要用深度可分離卷積？

深度可分離卷積可以實現更少的參數，更少的運算量。

將卷積乘法變成加法來實現相同的效果

總結

以上是生活随笔為你收集整理的『图解』深度可分离卷积的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。