可分离卷积基本介绍

本文为 AI 研习社编译的技术博客，原标题 ：

A Basic Introduction to Separable Convolutions

作者 | Chi-Feng Wang

翻译 | 通夜、秃了少年头     编辑 | 王立鱼、Pita

原文链接：

https://towardsdatascience.com/a-basic-introduction-to-separable-convolutions-b99ec3102728

任何看过MobileNet架构的人都会遇到可分离卷积（separable convolutions）这个概念。但什么是“可分离卷积”，它与标准的卷积又有什么区别？可分离卷积主要有两种类型：

• 空间可分离卷积（spatial separable convolutions）

• 深度可分离卷积（depthwise separable convolutions）

  空间可分离卷积

从概念上讲，这是两者中较容易的一个，并说明了将一个卷积分成两部分（两个卷积核）的想法，所以我将从这开始。 不幸的是，空间可分离卷积具有一些显着的局限性，这意味着它在深度学习中没有被大量使用。

空间可分卷积之所以如此命名，是因为它主要处理图像和卷积核（kernel）的空间维度：宽度和高度。 （另一个维度，“深度”维度，是每个图像的通道数）。

空间可分离卷积简单地将卷积核划分为两个较小的卷积核。 最常见的情况是将3x3的卷积核划分为3x1和1x3的卷积 核，如下所示：

图1：在空间上分离3x3内核

现在，我们不是用9次乘法进行一次卷积，而是进行两次卷积，每次3次乘法（总共6次），以达到相同的效果。 乘法较少，计算复杂性下降，网络运行速度更快。