depthwise separable convolution，深度可变卷积

深度可变卷积把传统的卷积过程分成两步：depthwise convolution和pointwise convolution。
depthwise convolution：过滤器的层数等于输入通道数，输出的featuremap的层数也就等于输入的通道数。

pointwise convolution：类似常规卷积操作，filter尺寸是1×1×M×N。M是上层输入通道数，输出featuremap数是N。

为了理解，不妨思考输入图片维度是11 × 11 × 3的情况，标准卷积3 × 3 × 3 ×16（假设stride为2，padding为1），输出为6 × 6 × 16。现在先通过一个维度是3 × 3 × 1 × 3的深度卷积（depthwise convolution），每层卷积核对应一个输入通道，得到6 × 6 × 3的中间输出，然后再通过一个维度是1 × 1 × 3 ×16的1 ×1卷积（pointwise convolution），同样得到输出为6 × 6 × 16。
矩阵运算计算量原本是11x11x3x3x3x16 =522272 ; 现在是11x11x3x3x3+11x11x3x16 = 9075，大大减小。