深度可分离卷积（Xception 与 MobileNet 的点滴）

🌞欢迎来到Pytorch的世界🌟本文由卿云阁原创！📆首发时间：🌹2024年2月21日🌹✉️希望可以和大家一起完成进阶之路！🙏作者水平很有限，如果发现错误，请留言轰炸哦！

关于深度神经网络中的可分离卷积

1、 Xception和MobileNet都是采用depthwise separable convolution进行的，但是二者的目的是不同的，Xception使用depthwise separable convolution的同时增加了网络的参数量来比对效果，主要考察这种结构的有效性，MobileNet则是用depthwise separable convolution来进行压缩和提速的，参数...

可分离卷积

深度学习资料链接总结

神经网络结构的设计基本由间接的计算复杂度主导，例如 FLOPs，但是直接的度量如速度，还取决于其他因素，例如内存的获取损耗和平台特性。因此，我们将使用直接的标准衡量，而不仅仅是 FLOPs。因此本文建议直接在目标平台上用直接度量进行测试。基于一系列控制条件实验，作者提出了设计高效网络结构的一些实用指导思想，并据此提出了一个称之为 ShuffleNet V2 的新结构。综合的对比实验证明了作者的模型在速度和准确性上取得了最佳的平衡（state-of-the-art）。

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*...

（可分离卷积）是一种优化卷积计算的方法，将普通卷积操作分解成两个更简单的操作，以减少计算量和参数量，同时保持较高的准确性。深度可分离卷积是目前应用最广泛的可分离卷积形式（如 MobileNet、Xception）。: 可分离卷积是一种有效的优化技术，通过降低计算复杂性，在轻量化模型中得到广泛应用，同时保持了较高的模型性能。卷积中，普通卷积需要 9 次乘法，而分解后只需要。

一、深度可分离卷积（Depthwise separable convolution）一些轻量级的网络，如mobilenet中，会有深度可分离卷积depthwise separable convolution，由depthwise(DW)和pointwise(PW)两个部分结合起来，用来提取特征feature map。相比常规的卷积操作，其参数数量和运算成本比较低。二、常规卷积操作对于5x5x3的输...

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 trous）等各式各样的卷积。今天主要讲一下深度可分离卷积（depthwise separable convolutions），这是 Xception 以及 MobileNet 系列的精华所在。而它最早是由Google Brain 的一名实习生 Laurent Sifre 于2013年提出，Sifre在其博士论文中