0
点赞
收藏
分享

微信扫一扫

深度可分离卷积(depthwise separable convolution)

Xin_So 2022-01-17 阅读 52

常规的卷积

在这里插入图片描述
如上图,对于一张5x5x3的图像进行常规操作的卷积,假设采用3x3大小的卷积核进行卷积,输出通道为4,则卷积核的shape为3x3x3x4,经过卷积后得到4个Feature Map。
该卷积层的参数个数N = 4 × 3 × 3 × 3 = 108个
计算量C= 3 x 3 x (5-2) x (5-2) x 3 x 4 = 972次

深度可分离卷积

  • 逐通道卷积

在这里插入图片描述
如上图,对于一张5x5x3的图像进行卷积,假设采用3x3大小的卷积核进行卷积,卷积核的数量和输入通道数相同,即通道和卷积核一一对应,则卷积核的shape为3x3x3,经过卷积后得到3个Feature Map。
该卷积层的参数个数N = 3 × 3 × 3 = 27个
计算量C= 3 x 3 x (5-2) x (5-2) x 3 = 243次

Depthwise Convolution完成后的Feature map数量与输入层的通道数相同,无法扩展Feature map。而且这种运算对输入层的每个通道独立进行卷积运算,没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map

  • 逐点卷积

在这里插入图片描述
如上图,将逐通道卷积得到的Feature Map进行卷积,采用1x1x3大小的卷积核进行卷积,则卷积核的shape为1x1x3x4,经过卷积后得到4个Feature Map。
该卷积层的参数个数N = 1 × 1 × 3 x 4 = 12个
计算量C= 1 x 1 x 3 x 3 x 3 x 4 = 108次

对比

常规卷积操作:
参数量N=108
计算量S=972

深度可分离卷积操作:
参数量N=27+12=39
计算量S=243+108=351

相同的输入,同样是得到4张Feature map,Separable Convolution的参数个数是常规卷积的约1/3。因此,在参数量相同的前提下,采用Separable Convolution的神经网络层数可以做的更深。

举报

相关推荐

关于深度可分离卷积

0 条评论