从Xception网络中聊聊深度可分离卷积

Xception: Deep Learning with Depthwise Separable Convolutions，在这篇文章中应用了深度可分离卷积。对于卷积来说可以看作三维的滤波器：通道维度+空间维度，常规的卷积就实现空间相关性和通道相关性。传统的卷积就是把所有通道当作一个整体来进行卷积，而在Xception文章中把通道数进行分组然后再卷积，然后再联合。

这幅图和Xception最接近，先进行1*1的卷积，然后再每个通道上进行3*3的卷积。将这个结果Concat起来就是卷积的结果，当然这也是一个可分离的卷积过程。 当Figure4和本文中还是有一点差别的：

• 深度可分离是先进行每个通道的卷积，然后得到结果concat起来，再进行1*1的卷积
• Inception中，每个操作后会有一个ReLU的非线性激活，深度分离是没有。

Xception的整体框架如下：

可以看到使用了残差网络的结构；接下来就聊聊每个模块中都用的