深度学习-深度可分离卷积详解
为了计算方便，这里先固定stride=1，padding=1，卷积核大小DK=3，这样卷积后和之前的特征图大小相等，都是DF。普通卷积：M=3为通道数，DF为特征图大小，N=5为卷积核个数，经过卷积特征图大小为DF不变，通道变为N。矩阵运算次数：DF*DF*M*N*DK*DK卷积核参数：DK*DK*M*N...
·
为了计算方便，这里先固定stride=1，padding=1，卷积核大小DK=3，这样卷积后和之前的特征图大小相等，都是DF。
普通卷积：
M=3为通道数，DF为特征图大小，N=5为卷积核个数，经过卷积特征图大小为DF不变，通道变为N。
矩阵运算次数：DF*DF*M*N*DK*DK
卷积核参数：DK*DK*M*N
深度可分离卷积：
深度可分离卷积可以看作由两部分组成，左边为深度卷积，右边为点卷积，深度卷积是对每个通道单独做卷积，之后点卷积使用N个1*1*M的卷积核进行卷积，最后生成的结果与普通的卷积一样，只不过这样减少了参数和运算量。
矩阵运算次数：DF*DF*M*DK*DK+DF*DF*M*N
卷积核参数：DK*DK*M+M*N
--end--
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
0
0- 0
已为社区贡献2条内容
所有评论(0)