![a537f7903abc5fe376a2efc15e6cece8.png](https://i-blog.csdnimg.cn/blog_migrate/b0deee195993a5d475a502f85d4b1eb2.jpeg)
常规卷积:1X1X100X20的卷积核,输出20个通道,此时是100个相同的数同时操作所有通道。Depthwise Convolution:不同于常规卷积操作,Depthwise Convolution的一个卷积核负责一个通道,一个通道只被一个卷积核卷积。上面所提到的常规卷积每个卷积核是同时操作输入图片的每个通道。Depthwise Convolution完成后的Feature map数量与输入层的通道数相同,无法扩展Feature map。而且这种运算对输入层的每个通道独立进行卷积运算,没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map。
Pointwise Convolution:Pointwise Convolution的运算与常规卷积运算非常相似,它的卷积核的尺寸为 1×1×M,M为上一层的通道数。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合,生成新的Feature map。有几个卷积核就有几个输出Feature map。
Depthwise Separable Convolution: 是将一个完整的卷积运算分解为两步进行,即Depthwise Convolution与Pointwise Convolution
depthwise层,只改变feature map的大小,不改变通道数。。而Pointwise 层则相反,只改变通道数,不改变大小。这样将常规卷积的做法(改变大小和通道数)拆分成两步走。
具体示意图如下所示:
![66ec9400d8198705e3871884e1f2fc25.png](https://i-blog.csdnimg.cn/blog_migrate/92a68aa1dbbf7e388ac7e8348dabe719.png)
![193b0c7e3334bab6d37f027f788d5051.png](https://i-blog.csdnimg.cn/blog_migrate/5e0531848f067b4bca5194952daf7eb8.png)
![dc76c8f7bcd0a3ebae175fe00fbb13e5.png](https://i-blog.csdnimg.cn/blog_migrate/ae1e7d6f766b2db6895eb74e9968a3b4.png)