目录
深度可分离卷积,可以用较小的精度损失来换取极大的计算量以及内存的减小。从而使得普通的卷积神经网络能够在计算能力比较低的设备上运行,比如手机等。
1. 深度可分离卷积模型结构
2. 深度可分离卷积的由来
2.1 InceptionV3模型结构
特点:
(1) 不同尺寸的视野域
不同的视野域提取的图像特征尺度不同
(2) 提升效率(相对于不做分支时会提升效率)
2.2 引入深度可分离卷积
分到极致(每个通道都有一个分支)
3. 深度可分离卷积与普通卷积的计算量
Dk:卷积核的大小(默认卷积核的长宽都为Dk)
DF:图像的大小(默认图像大小的长宽都为DF)
M:输入通道的数目
N:输出通道的数目
3.1 普通卷积的计算量
3.2 深度可分离卷积计算量