模型結構
深度可分離卷積是普通卷積操作的一個變種，它可以替代不同卷積從而構成卷積神經網路。
在卷積神經網路裡，把上圖中左圖結構替換成右圖結構，就構成了深度可分離卷積神經網路。右圖中 1x1 卷積就是普通卷積。
右圖中 3x3 的深度可分離卷積是怎麼一回事，這要從「Inception V3」模型結構說起，「Inception V3」是 Google 在 2016 年提出來的網路模型結構，這結構的思想，啟發了深度可分離卷積。
可以看到「Inception V3」模型結構中輸入被分成了四個分支，最後被合併起來輸入給下一個子結構。
這樣做分支能得到不同尺寸「視野域」。
圖同視野域提取的影像特徵尺寸不同。
分支操作除了能得到不同的「視野域」，使資料資訊更充分，相對於不做分支的模型結構還能提升效率。
深度可分離卷積模型結構
分到極致：
輸出影像中的一個通道只和輸入影像中的一個通道有關係，而不是和輸入影像中的所有通道有關係。所以深度可分離卷積比起普通卷積，計算量少了很多。
普通卷積計算量：
D_K\cdot D_K\cdot M\cdot N\cdot D_F\cdot D_F\\{}\\ D_K^2=Kernel_{size}\\{}\\ D_F^2=Input_{size}\\{}\\ M=Input_{\#channel}\\{}\\ N=Output_{\#channel}=\#Kernel
一般情況下，會把卷積核設定成正方形的，所以是D_K\cdot D_K，輸入影像的大小也會設定成正方形，所以是D_F\cdot D_F。計算量公式中由於加法很簡單，複雜度沒有乘法高，所以忽略了加法計算。
深度可分離卷積計算量：
D_K\cdot D_K\cdot M\cdot D_F\cdot D_F\\{}\\ _{深度可分離計算量}\\{}\\ M\cdot N\cdot D_F\cdot D_F\\{}\\ _{1\times1卷積計算量}
深度可分離卷積與普通卷積的計算量加速比：
\displaystyle _{最佳化比例}\\{}\\ \frac{D_K\cdot D_K\cdot M\cdot D_F\cdot D_F+M\cdot N\cdot D_F\cdot D_F}{D_K\cdot D_K\cdot M\cdot N\cdot D_F\cdot D_F}\\{}\\ =\frac{1}{N}=\frac{1}{D_K^2}
本作品採用《CC 協議》，轉載必須註明作者和本文連結