做网站常用的jquery百度关键词热度排名

深度可分离卷积（Depthwise Separable Conv）降低了高维操作成本，其计算复杂度是普通卷积的 1/k²（k为卷积核大小）。

例：输入是 RGB 图像（三通道），输入特征图大小为：H×W×C_in，输出特征图通道数为：C_out ,卷积核大小为：K×K

普通卷积

1.对所有 C_in 个通道分别做K×K 卷积；
2.再将结果加和，生成一个输出通道；
每个输出通道的计算量：K×K×C_in×H×W

总计算量 ：
C_out × K×K × C_in × H × W

深度可分离卷积

深度可分离卷积分为Depthwise Convolution（逐通道卷积）与.Pointwise Convolution（逐点卷积）两个部分。

1.Depthwise Convolution（逐通道卷积）

每个输入通道自己用一个小卷积核处理（不与别的通道交互）输出仍然是 C_in 个通道。

Depthwise计算量：K×K×H×W×C_in

2.Pointwise Convolution（逐点卷积）

使用 1×1 卷积，对每个像素的 C_in 维向量做线性组合，生成 C_out 通道。
Pointwise计算量：
1×1×C_in×H×W×C_out

假设：输出通道数 C_out = N × C_in

方法	卷积核大小	计算量比约	实际节省
深度可分离卷积（k=3）	3×3	≈ 1/9	快 8–9 倍