如果乙個卷積核代表乙個影象的屬性的話，上圖的方法就只能提取到乙個屬性。那麼如果想要多個屬性就需要多個卷積核
上圖中是最常見的卷積方法，使用多個卷積核來提取多個屬性。但是存在引數量過大的情況
先用三個卷積核對三個通道分別卷積，再對得到的結果進行1x1的卷積，這時候只要增加1*1卷積核的個數就能對應的增加feature的特徵數了。
對於傳統的卷積：parameter=（3x3x3）x256=6912
對於深度可分離卷積：parameter=（3x3x3）+（1x1x3x256）=777
這篇文章解釋了深度可分離卷積與傳統卷積等價 有時間再看吧
深度可分離卷積
下面這個文章介紹了深度可分離卷積是怎麼做的 本文的很多內容都是在這兩個文章的基礎上整理的。卷積基礎 描述乙個二維矩陣，使用row col。三維的，使用channel row col。四維則多了乙個引數 batch channel row col。batch channel row col的邏輯順序則...
深度可分離卷積
3.實際應用 假設輸入層為乙個大小為64 64畫素 三通道彩色。經過乙個包含4個filter的卷積層，最終輸出4個feature map，且尺寸與輸入層相同。整個過程可以用下圖來概括 卷積層共有4個filters，每個filter有3個kernel，每個kernel的大小為3x3，因此卷積層的引數數...
深度可分離卷積 總結
深度可分離卷積 深度卷積 depthwise convolution 逐點卷積 pointwise convolution 分組卷積 group convolution 輸入通道數c in，輸出通道數c out,將輸入feature map分為g組，每組分別卷積，最後進行拼接。分組卷積作用 引數量減...