深度可分离卷积（depthwise separable conv)

一共两步，第一步先进行逐通道卷积（Depthwise Convolution），第二步进行

逐点卷积（Pointwise Convolution)

普通卷积：输入是三个通道，输出是四个通道

这里需要4个卷积核（输出几个通道就要几个卷积核，这里输出四个通道所以需要四个卷积核）

每个卷积核是3*3*3

所以参数总量是4个3*3*3，等于108个参数

 深度卷积:

深度可分离卷积可分为两个过程，分别为逐通道卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution)

(1)逐通道卷积

这里参数量是3个3*3，等于27个

 这样卷积的话，通道数不可改变，而且通道之间的信息也没有进行交互

（2）逐点卷积

这里我们再用四个卷积核，每个卷积核大小为1*1*3

 这样的话，参数总量就是4*1*1*3+27=39

可以看到，参数量大大减少

上面两步合起来就是：

代码实现：

class DepthWiseConv(nn.Module):
    def __init__(self,in_channel,out_channel):

        #这一行千万不要忘记
        super(DepthWiseConv, self).__init__()

        # 逐通道卷积
        self.depth_conv = nn.Conv2d(in_channels=in_channel,
                                    out_channels=in_channel,
                                    kernel_size=3,
                                    stride=1,
                                    padding=1,
                                    groups=in_channel)
        # groups是一个数，当groups=in_channel时,表示做逐通道卷积

        #逐点卷积
        self.point_conv = nn.Conv2d(in_channels=in_channel,
                                    out_channels=out_channel,
                                    kernel_size=1,
                                    stride=1,
                                    padding=0,
                                    groups=1)
    
   def forward(self,input):
        out = self.depth_conv(input)
        out = self.point_conv(out)
        return out

#将普通卷积替换成深度可分离卷积
nn.Conv2d(32,128,kernal_size=3,stride=1,padding=1)

DepthWiseConv(32,128)

 

 

代码实现：

Conv2d(in_channel,out_channel,kernel_size,stride=1,padding=0,dilation=0,groups=1,bias=True)

，就代表在做深度可分离卷积（depth—wise conv)、