一、标准卷积
1.1、定义
标准卷积是一种在输入特征图上应用卷积核，以生成输出特征图的操作。卷积核在输入特征图上滑动，计算每个位置的点积，生成新的特征图。
1.2、计算过程
-
输入特征图：假设输入特征图的尺寸为 H×W×C，其中 H 是高度，W 是宽度，C 是通道数。
-
卷积核：假设使用 K个卷积核，每个卷积核的尺寸为 F×F×C，其中 F是卷积核的大小。
-
输出特征图：输出特征图的尺寸为 H′×W′×K，其中 H′ 和 W′ 是输出特征图的高度和宽度，K 是输出通道数。
1.3、参数量
标准卷积的计算量为：
1.4、优点
-
特征提取：标准卷积能够有效地提取输入数据的局部特征，通过多层卷积可以提取更高级的特征。
扫描二维码关注公众号，回复： 17612307 查看本文章
-
参数共享：卷积核在输入特征图上滑动，共享参数，减少了模型的参数数量，提高了计算效率。
-
平移不变性：卷积操作具有平移不变性，即对输入数据的平移变化具有一定的鲁棒性。
1.5、缺点
-
计算量大：标准卷积的计算量较大，特别是在输入特征图和卷积核的尺寸较大时，计算成本较高。
-
参数数量多：标准卷积的参数数量较多，特别是在输出通道数较多时，模型的复杂度较高。
1.6、个人理解
二、深度可分离卷积
2.1、定义
深度可分离卷积将标准卷积分解为两个独立的步骤：
-
深度卷积（Depthwise Convolution）：对每个输入通道单独进行卷积操作，不跨通道进行卷积。
-
逐点卷积（Pointwise Convolution）：使用 1×1卷积核对深度卷积的输出进行通道混合，生成新的特征图。
2.2、计算过程
深度卷积：
-
输入特征图：假设输入特征图的尺寸为 H×W×C，其中 H 是高度，W 是宽度，C 是通道数。
-
卷积核：使用 C 个卷积核，每个卷积核的尺寸为 F×F×1。
-
输出特征图：输出特征图的尺寸为 H′×W′×C
逐点卷积：
-
输入特征图：深度卷积的输出特征图，尺寸为 H′×W′×C。
-
卷积核：使用 K个 1×1卷积核，每个卷积核的尺寸为 1×1×C。
-
输出特征图：输出特征图的尺寸为 H′×W′×K。
2.3、参数量
-
深度卷积的计算量：
-
逐点卷积的计算量：
-
总计算量：
2.4、优点
-
计算量小：深度可分离卷积的计算量显著小于标准卷积，特别是在 F 和 C 较大时。
-
参数数量少：深度可分离卷积的参数数量也显著少于标准卷积，这使得模型更轻量，更适合在移动设备和资源受限的环境中运行。
-
效率高：由于计算量和参数数量的减少，深度可分离卷积在训练和推理时更加高效。
2.5、个人理解
