可分离卷积：空间可分离卷积和深度可分离卷积

空间可分离卷积：将一个卷积核分为两部分（降低计算复杂度，但并非所有的卷积核都可以分）

深度可分离卷积的过程：先深度卷积，再点态卷积

（对卷积中的通道数不了解的请参考：关于卷积中的通道数问题）

1. 深度卷积过程：对于一个12*12*3的像素图用一个3通道的5*5*1的卷积核进行卷积。（而不是用一个5*5*3的卷积核进行卷积）

注意：每个5*5*1的卷积核卷积图像的一个通道，得到一个8*8*1的像素图，将这些图像叠加才是一个8*8*3的图。

2. 点态卷积：将多通道的图像转换为单通道图像，因为使用的是1*1大小的卷积核，所以叫点态卷积。

注意：因为最终结果的通道数只与卷积核的个数有关，所以可以用1*1*3的卷积核将深度卷积的结果8*8*3进行点态卷积，得到8*8*1的图像。

如果要得到256通道的8*8*1图像，就用256个1*1*3的卷积核进行卷积

深度可分离卷积有什么用：关于深度可分离卷积可以减少计算量的问题

可分离卷积：空间可分离卷积和深度可分离卷积相关推荐

对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解
参考: https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io ...
深度可分离卷积（Xception 相关）
卷积神经网络经过不断的改进和优化,卷积早已不是当年的卷积,诞生了分组卷积(Group convolution).空洞卷积(Dilated convolution 或 À trous)等各式各样的卷积. ...
可分离卷积及深度可分离卷积详解
可分离卷积再来看一下nn.Conv2d(): torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, ...
[Pytorch]torch.nn.functional.conv2d与深度可分离卷积和标准卷积
torch.nn.functional.conv2d与深度可分离卷积和标准卷积前言 F.conv2d与nn.Conv2d F.conv2d 标准卷积考虑Batch的影响深度可分离卷积深度可分离卷 ...
YOLOv5改进——使用深度可分离卷积轻量化C3
一.C3模块在原版YOLOv5网络中,C3模块的结构如图1-1所示,C3结构中的ConvBNSiLU和BottleNeck的结构如图1-2所示: 图1-1 C3结构图图1-2 BottleNe ...
一文读懂 12种卷积方法（含1x1卷积、转置卷积和深度可分离卷积等）
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达我们都知道卷积的重要性,但你知道深度学习领域的卷积究竟是什么,又有 ...
group convolution (分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise 卷积
group convolution (分组卷积)的计算量详解.卷积计算量特征图大小,池化特征图大小.深度通道deep-wise 卷积提示:最近忙着各种提前批的笔试面试,所以没太多空刷题了都,先复盘一 ...
Lesson 16.1016.1116.1216.13 卷积层的参数量计算，1x1卷积核分组卷积与深度可分离卷积全连接层 nn.Sequential全局平均池化，NiN网络复现
二架构对参数量/计算量的影响在自建架构的时候,除了模型效果之外,我们还需要关注模型整体的计算效率.深度学习模型天生就需要大量数据进行训练,因此每次训练中的参数量和计算量就格外关键,因此在设计卷积网 ...
深度可分离卷积（Xception 与 MobileNet）
前言从卷积神经网络登上历史舞台开始,经过不断的改进和优化,卷积早已不是当年的卷积,诞生了分组卷积(Group convolution).空洞卷积(Dilated convolution 或 À tr ...

可分离卷积：空间可分离卷积和深度可分离卷积

空间可分离卷积：将一个卷积核分为两部分（降低计算复杂度，但并非所有的卷积核都可以分）

深度可分离卷积的过程：先深度卷积，再点态卷积

可分离卷积：空间可分离卷积和深度可分离卷积相关推荐

最新文章

热门文章