花式卷积操作

卷积层的基本操作就是：卷积操作和池化操作两个

1、标准卷积

就是输入特征图（也可能是原图），用filter进行卷积操作，每个filter产生一个输出特征图，filter的个数决定了输出特征图的个数（也就是输出的通道数）

注意：每个filter是有通道数的，默认通道数与输入特征图通道数一致

相关计算，见上面文章链接

相关网络：

LeNet-5(1998)：简单的卷积层和池化层相间搭建的网络，此外还有全连接层

2、叠加卷积层

将多个卷积层叠加（一般2-3个）然后再经过池化层

相关网络：

AlexNet(2012)

3、深度级可分离卷积（depthwise separable convolution）

这个卷积操作分为两步，主要为了减少参数，和提高训练速度

• depthwise convolution
• pointwise convolution

假设现在有个16通道的输入，要通过卷积层，产生一个32通道的输出，我的理解：

标准卷积：

此时会有32个filter，每个filter大小为(3,3),filter也是16通道，每个filter可以同时在16个输入通道上滑动，然后每个产生一个输出特征图，于是就产生了32个输出特征图。

深度级可分离卷积：

第一步depthwise convolution:此时会有16个filter（个数与输入特征图通道一致），每个大小为(3,3)，但是此时每个filter通道是1，而且每个filter只作用于一个输入特征图，所以这一步会产生16个（与输入特征图个数一致）中间特征图

第二步pointwise convolution:这一步的目的是调整通道数，上一步产生的通道数总是与输入通道数一致的，此时用大小为(1,1)的filter（此时的filter有与输入一致的通道数）做标准卷积操作做的事情，filter的个数就决定了输出特征图的通道数，于是就调整了输出通道数

参考文章：https://zhuanlan.zhihu.com/p/31551004

相关网络：

mobileNet