本文介绍了深度可分离卷积、分组卷积、空洞卷积和转置卷积的概念及应用场景。深度可分离卷积因其高效性逐渐取代普通卷积；分组卷积通过通道分组减少参数量；空洞卷积在保持参数不变的情况下扩大感受野；转置卷积用于上采样，恢复图像分辨率。这些卷积类型在深度学习模型中扮演着重要角色。
参考：
https://blog.csdn.net/chaolei3/article/details/79374563
https://blog.csdn.net/jiachen0212/article/details/78548667
https://blog.csdn.net/u014722627/article/details/60574260
https://blog.csdn.net/LoseInVain/article/details/81098502
深度可分离卷积
在《Python深度学习》（Keras之父执笔）这本书里看到：
注意，大部分（或全部）普通卷积很可能不久后会被深度可分离卷积(depthwise separable convolution)所替代, 后者与前者等效，但速度更快，表示效率更高。
- 简介
在可分离卷积中，它将对区域和通道的计算分离开，而普通卷积是同时考虑区域和通道的。 - 通过例子对比可分离卷积和普通卷积的区别
假设一个3×3大小的filter，其输入通道为16，输出通道为32
普通卷积的参数： （
最低0.47元/天 解锁文章
扫一扫
6606
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
