开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第二十五天，点击查看活动详情
总结：此文为12月更文计划第二十五天第四十篇。
深度可分离卷积
深度可分离卷积结构，我们把 3 个块的图，替换为 6 个块的图，就完成了深度可分离的卷积 神经网络
谷歌在 15-16 年引入的 inception V3 模型，这样可以有不同的视野域 由上图可以看出，深度可分离卷积相对于传统卷积，多了 3 层，1x1 Conv，BN 和 ReLU
3x3 的深度可分离卷积（Depthwise Conv）来源于谷歌下图 的 V3
不同的模型提供的视野域是不一样的，针对提升效率是因为前面3个节点不需要 再搞到最后的一个里边去再次计算（图中红色的线是不需要做的）
5x5和3x3的视野域是不一样的
深度可分离卷积分支结构
也是一种分支的网络结构，只是不同的分支建立在不同的通道之上，如下图所示：
上图的输出的通道，只跟某一个通道有关系，从而相对于最初的卷积来说，计算量就变小了 对比计算量 模型结构
◆普通卷积计算量
Dk.Dk.M.N.DF.DF
加法操作，复杂度小，忽略掉
DKDK是输入和卷积核相乘，DFDF是滑动次数，为什么乘以M，M是通道数目，N是卷
积核的数目(可以理解M是输入通道数目，N是输出通道数目)
◆深度可分离卷积计算量
◆深度可分离
