深度可分离卷积（DW+PW）

1. Depthwise Convolution
   DW卷积操作中，每一个卷积核是只负责一个通道的，卷积核数量要与输入通道数量一致。比如一个553的彩色图片作为输入，DW卷积则为333。
   
   Depthwise Convolution完成后的Feature map数量与输入层的通道数相同，无法扩展Feature map。而且这种运算对输入层的每个通道独立进行卷积运算，没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map。

2. 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为上一层的输出通道数。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。
   

参考文章
https://blog.csdn.net/weixin_43937316/article/details/99545506
https://blog.csdn.net/HHHAOA/article/details/127703935