『图解』深度可分离卷积

Posted 2021-09-18 K同学啊

深度可分离卷积其实是一种可分解卷积操作（factorized convolutions）。其可以分解为两个更小的操作：depthwise convolution 和 pointwise convolution。

（1）标准卷积

下面先学习标准的卷积操作：

输入一个12123的一个输入特征图，经过 553的卷积核得到一个881的输出特征图。如果我们此时有256个卷积核，我们将会得到一个88256的输出特征图。

以上就是标准卷积做的活，那么深度卷积和逐点卷积呢？

（2）深度卷积

与标准卷积网络不一样的是，这里会将卷积核拆分成单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，这样就得到了和输入特征图通道数一致的输出特征图。如上图，输入12123 的特征图，经过5513的深度卷积之后，得到了88*3的输出特征图。输入和输出的维度是不变的3，这样就会有一个问题，通道数太少，特征图的维度太少，能获得足够的有效信息吗?

（3）逐点卷积

逐点卷积就是1*1卷积，主要作用就是对特征图进行升维和降维，如下图：

在深度卷积的过程中，我们得到了883的输出特征图，我们用256个113的卷积核对输入特征图进行卷积操作，输出的特征图和标准的卷积操作一样都是88256了。

标准卷积与深度可分离卷积的过程对比如下：

（4）为什么要用深度可分离卷积？

深度可分离卷积可以实现更少的参数，更少的运算量。