©2020-2024 ioDraw All rights reserved,
Privacy Policy
深度可分离卷积主要分为两个过程，分别为逐通道卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）。
* 逐通道卷积 Depthwise Convolution
Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积，这个过程产生的feature
map通道数和输入的通道数完全一样。
卷积核的计算量为：3 x 3 x 3 = 27
* 逐点卷积 Pointwise Convolution
Pointwise Convolution的运算与常规卷积运算非常相似，它的卷积核的尺寸为
1×1×M，M为上一层的通道数。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合，生成新的Feature
map。有几个卷积核就有几个输出Feature map。（卷积核的shape即为：1 x 1 x 输入通道数 x 输出通道数）
卷积核的计算量为 1 x 1 x 3 x 4 = 12
pytorch实现：xception中的深度可分离卷积
def fixed_padding(inputs, kernel_size, dilation): kernel_size_effective =
kernel_size + (kernel_size - 1) * (dilation - 1) pad_total =
kernel_size_effective - 1 pad_beg = pad_total // 2 pad_end = pad_total -
pad_beg padded_inputs = F.pad(inputs, (pad_beg, pad_end, pad_beg, pad_end))
return padded_inputs class SeparableConv2d(nn.Module): def __init__(self,
in_channels, out_channels, kernel_size=3, stride=1, dilation=1, bias=False,
BatchNorm=None): super(SeparableConv2d, self).__init__()
#逐通道卷积，groups代表通道分组数，对通道进行分组，普通卷积默认是1
#每个分组的输入通道是in_channels/groups，输出通道是groups/out_channels，需要整除。最后将每个分组的out_channels进行concat，得到最终的输出通道数
self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size, stride, 0,
dilation, groups=inplanes, bias=bias) self.bn = BatchNorm(inplanes)
self.pointwise = nn.Conv2d(in_channels, out_channels, 1, 1, 0, 1, 1, bias=bias)
def forward(self, x): x = fixed_padding(x, self.conv1.kernel_size[0],
dilation=self.conv1.dilation[0]) x = self.conv1(x) x = self.bn(x) x =
self.pointwise(x) return x