文章目录 定义具体代码分析
定义
空间可分离卷积：是因为它主要处理图像和卷积核（kernel）的空间维度：宽度和高度。空间可分离卷积简单地将卷积核划分为两个较小的卷积核。 最常见的情况是将3x3的卷积核划分为3x1和1x3的卷积 核，如下所示：
现在，我们不是用9次乘法进行一次卷积，而是进行两次卷积，每次3次乘法（总共6次），以达到相同的效果。 乘法较少，计算复杂性下降，网络运行速度更快。
深度可分离卷积：对输入图像的每个通道分别设置一个卷积核，卷积出的结果通道数与原图保持一致，后使用point-wise 1*1卷积调成需要的通道数。
具体代码分析 import torch.nn as nnfrom Module.activation import act_layersclass ConvBNReLU(nn.Sequential): def __init__(self,i,o,k,s,p,dilation=(1,1),groups=1,bias=False,activation='ReLU'): super(ConvBNReLU, self).__init__() self.CBA = nn.Sequential( nn.Conv2d(i,o,kernel_size=k,stride=s,padding=p,dilation=dilation,groups=groups,bias=bias), nn.BatchNorm2d(o), act_layers(activation) ) def forward(self, input): x = self.CBA(input) return xclass Param(nn.Module): def __init__(self,activation='ReLU'): super(Param, self).__init__() self.conv1 = nn.Sequential( nn.Conv2d(3, 24, kernel_size=3, stride=2, padding=1, bias=False), nn.BatchNorm2d(24), act_layers(activation) ) # 普通卷积 self.conv2 = nn.Sequential( nn.Conv2d(24, 24, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(24), act_layers(activation) ) # 深度可分离 self.conv3 = nn.Sequential( self.depthwise_conv(24, 24, kernel_s=3, stride=1, padding=1), nn.Conv2d(24, 24, 1), nn.BatchNorm2d(24), act_layers(activation) ) # 空间可分离 self.D3x1_D1x3 = nn.Sequential( ConvBNReLU(24,24,(3,1),1,p=(1,0),dilation=(1,1),groups=1), ConvBNReLU(24,24,(1,3),1,p=(0,1),dilation=(1,1),groups=1) ) @staticmethod def depthwise_conv(input_c: int, output_c: int, kernel_s: int, stride: int = 1, padding: int = 0, bias: bool = False) -> nn.Conv2d: return nn.Conv2d(in_channels=input_c, out_channels=output_c, kernel_size=kernel_s, stride=stride, padding=padding, bias=bias, groups=input_c) def forward(self, x): x = self.conv1(x) # 普通卷积 258.55M 5.93k x = self.conv2(x) # 深度可分离 69.57M 1.56K x = self.conv3(x) # 空间可分离 186.9M 4.25K x = self.D3x1_D1x3(x) return x很明显深度可分离卷积参数量和计算复杂度都最小。