分组卷积计算量_深度学习卷积参数量，图像输出尺寸，感受野的计算

深度学习卷积参数量，图像输出尺寸，感受野的计算，

是针对我之前一篇博客的一些单独抽离和总结，方便复习

文章目录

0. 网络中卷积乘法次数和加法次数

1. 分组卷积

2. 深度可分离卷积

3. 卷积后输出的图像尺寸

4. 空洞卷积

5. 感受野的计算

感受野计算例1

感受野计算例2

0. 网络中卷积乘法次数和加法次数

K × K {K}\times{K}K×K的卷积核，在一次卷积的过程中，运用K 2 K^{2}K2次的乘法，K 2 − 1 K^{2}-1K2−1次加法

1. 分组卷积

详细的带图解释引用参考这个链接

https://zhuanlan.zhihu.com/p/65377955

概念

将输入特征图按照通道数分成g组，每组分别进行卷积操作

计算量的计算

分 组 卷 积 参 数 量 标 准 卷 积 参 数 量 = h 1 × w 1 × c 1 g × c 2 g × g h 1 × w 1 × c 1 × c 2 = 1 g \frac{分组卷积参数量}{标准卷积参数量} = \frac{ {h_{1}} \times {w_{1}} \times {\frac {c_{1}} {g}} \times{\frac{c_2}{g}}\times{g}} { {h_{1}} \time