Depthwise卷积与Pointwise卷积

Depthwise卷积与Pointwise卷积

Depthwise卷积与Pointwise卷积，合起来被称作 Depthwise Separable Convolution, 该结构和常规的卷积操作类似，可以用来提取特征，但相比于常规的卷积操作，其参数量和运算成本比较低，所以在一些轻量级网络中会碰到如此结构。

常规卷积操作

对于一张5x5像素，三通道彩色输入图片，经过3x3x4卷积核的卷积层，最终会输出4个feature map。细节可能会先看下代码后再BB这个。

Depthwise Separable Convolution是将一个完整的卷积运算分解为两步运行，即Depthwise 与 Pointwise

Depthwise不同于常规的操作，Depthwise convolution的一个卷积核只负责一个通道，一个通道只被一个卷积核卷积。

同样是对一张5x5像素，3通道彩色输入图片，DC首先先经过第一次卷积运算，DW完全是在二维平面上内进行，卷积核的数量与上一层的通道数相同。所以一个三通道的图像经过运算后生成了3个Feature map。这里其实最终的维数应该是3x3，因为每一个卷积都会作用一次，所以最终是3x3维度。