【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）-Toy模板网

这篇具有很好参考价值的文章主要介绍了【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）,论文笔记,论文阅读,cnn,人工智能
本文作者： slience_me

我看的论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

内容

1. 标准卷积

假设输入为D_F×D_F×M，输出为输入为D_F×D_F×N，卷积核为D_K×D_K×M，共有N个卷积核进行卷积操作
下图为标准的卷积过程，每个卷积核对输入的向量进行卷积操作，得到一个特征映射，共有N个卷积核进行卷积操作，则可以得到N个特征映射，即D_K×D_K×N
【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）,论文笔记,论文阅读,cnn,人工智能
示意图如下：一般卷积

2. 深度可分离卷积（Depthwise Separable Convolution）

2.1 Depthwise Convolution

对于深度可分离卷积而言，

进行逐通道卷积，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^①

根据我的第二个图可知，每一个卷积核只负责一个通道的卷积操作，共有M个通道，则需要M个卷积核，对每一个通道进行卷积操作。
详细过程描述为：

使用尺寸为D_K×D_K×1×M的宽度卷积核(M个尺寸为D_K×D_K×1的卷积核)，对每个通道的特征进行卷积
得到M个尺寸为D_F×D_F的特征映射

2.2 Pointwise Convolution

逐点卷积，采用了1×1×M的卷积核对2.1中深度卷积的结果进行逐点卷积操作，详细来说：

使用尺寸为1×1×M×N的1×1卷积核(N个尺寸为1×1 ×M的卷积核)，对上一步得到的特征进行1×1卷积，每个卷积核对M个特征相同位置上的卷积结果进行整合，即上一步的map在深度方向上进行加权组合
得到一个D_F×D_F×1的结果
N个1×1卷积得到尺寸为D_F×D_F×N的输出结果

【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）,论文笔记,论文阅读,cnn,人工智能

优点

标准卷积的计算成本为：
【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）,论文笔记,论文阅读,cnn,人工智能

深度可分离卷积的计算成本为：
【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）,论文笔记,论文阅读,cnn,人工智能
通过该操作，相同的输入，Depthwise Separable Convolution的参数个数是常规卷积的约1/N+1/D²_K，计算量可以大大减少，提高性能。因此，在参数的数量相同的前提下，采用Depthwise Separable Convolution的神经网络层数可以做的更深。

一些研究从增加网络整体非线性表达能力的角度出发，认为在Depthwise Convolution之后加入激活函数和BatchNorm有助于提高网络的非线性表达能力，进而使网络有更强大的能力去拟合更加复杂的函数。但从近期的一些研究结果来看，在Depthwise Convolution之后不加入激活函数和BatchNorm是更优的选择，因此这也逐步成为了使用DSC的一种最佳实践。
简单总结一下，DSC作为普通卷积的一种替代品，它的最大优点是计算效率非常高。因此使用DSC构建轻量级模型是当下非常常见的做法。不过DSC的这种高效性是以低精度作为代价的。目前看来，设计高效率、高精度的DSC变体模块仍然是非常热点的研究方向之一^②。

【论文笔记合集】卷积神经网络之深度可分离卷积（Depthwise Separable Convolution）,论文笔记,论文阅读,cnn,人工智能