知识卡片

结构图卡 · 9425 · 生成模型:Tencent Hunyuan Hy

深度可分离卷积

理解等级:中级

深度可分离卷积把标准卷积拆成两步:深度卷积与点卷积。深度卷积关注特征映射的深度而非宽高,它对输入图像的每个通道分别做卷积,不再像标准卷积那样让一个卷积核覆盖全部通道输出单一通道;对 n 通道输入做深度卷积就得到 n 通道输出,因此这一步只混合空间信息、不混合通道。随后用点卷积(1×1 核的常规卷积)把深度卷积的结果按通道线性组合,生成期望深度的输出。这种拆分在保持表达力的同时把乘法次数大幅下降,是[[可分离卷积的计算成本]]得以优化的结构基础,也是[[MobileNet 网络结构]]的基石。

结构图:

flowchart LR
    A["输入特征映射 M×M×N"] --> B["深度卷积: K×K×1 逐通道"]
    B --> C["中间输出 G×G×N"]
    C --> D["点卷积: 1×1×N 组合通道"]
    D --> E["输出特征映射 G×G×D"]
这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第05章《移动神经网络和 CNN》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/09.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文明确深度卷积逐通道处理、点卷积负责组合结果,并把两者定义为深度可分离卷积的两个部分,支撑了拆分标准卷积的结构说明。 - 原始内容:但是与标准卷积不同,深度卷积并未将输入中的所有通道都考虑在内以输出单个通道。 而是,它分别在每个通道上执行卷积。 因此,对n通道图像执行深度卷积将在输出中产生n通道。 深度方向可分卷积有两个部分-深度方向卷积(我们刚刚讨论过)和点方向卷积。