本文详细介绍了深度可分离卷积的工作原理，包括逐通道卷积（DW卷积）和逐点卷积（PW卷积），对比了它与普通卷积的区别，指出其参数量更少但可能造成精度损失。深度可分离卷积常用于降低模型复杂度，且可通过增加输出层数量缓解精度损失。代码实现中，使用nn.Conv2d即可完成深度可分离卷积。
左边是一个三通道的特征图，中间是用到的卷积核，右边是提取到的4幅特征。我们以3×3卷积为例，当然也有人用5×5、7×7、9×9。
普通卷积的过程是这样的：输入特征的每个channel分别和卷积核的每个channel中的权值参数做点乘，然后ADD、最后再Concat。
图中的参数量为：3×3×3×4 = 108
需要注意的是：
- 单个卷积核的通道数和输入特征的通道数相等。
订阅专栏 解锁全文
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
