深度可分离卷积神经网络与普通卷积网络的区别

深度可分离卷积的方法有所不同。正常卷积核是对3个通道同时做卷积。也就是说，3个通道，在一次卷积后，输出一个数。
深度可分离卷积分为两步：
第一步先用三个卷积对三个通道分别做卷积，这样在一次卷积后，输出3个数。
第二部用这输出的三个数，再通过一个1x1x3的卷积核，得到一个数。

可以清楚的看出深度可分离与普通卷积神经网络的区别，就是添加了一个1*1的卷积核。
如果仅仅是提取一个属性，深度可分离卷积的方法，不如正常卷积。随着要提取的属性越来越多，深度可分离卷积就能够节省更多的参数。
计算量比较：
普通卷积 = K * K * M * N * D * D (K：卷积核大小，M：输入通道数，N：输出通道数，D：输入大小)
深度可分离卷积 = K *K * M * D * D + M * N * D * D
优化比例 = （K *K * M * D * D + M * N * D * D）/ （K * K * M * N * D * D）=1/N+1/（K * K）
参考网址