（C3）卷积层特点及torch.nn.Conv2d()

卷积层

一、常规卷积

参考资料
卷积神经网络之卷积层中的多输入多输出通道
卷积中参数量和计算量
有图文讲解，更通俗易懂。

1.1 特点

1、每一个输入通道都有一个卷积核，输出的通道结果是所有输入通道和对应卷积核作用后结果的和；
2、1×1的卷积核用于融合通道数据；

1.2 参数量 和 计算量

直接截图记录

参数量

计算量

注：浮点运算量 FLOPs 和计算量不同，需要时再仔细查。

---

二、分组卷积

分组卷积(Group conv)与深度可分离卷积(Depthwise separable conv) ⭐

---

三、可分离卷积

空间可分离卷积(Spatially Separable Convolutions)：不知道哪里提出来的

深度可分离卷积(depthwise separable convolution)：逐深度卷积(Depthwise Convolution)、逐点卷积(Pointwise Convolution)。

这个感觉上更常用

3.1 逐深度卷积(Depthwise Convolution)

Depthwise Convolution完成后的Feature map数量与输入层的depth相同，但是这种运算对输入层的每个channel独立进行卷积运算后就结束了，没有有效的利用不同map在相同空间位置上的信息。因此需要增加另外一步操作来将这些map进行组合生成新的Feature map，即接下来的Pointwise Convolution。

3.2 逐点卷积(Pointwise Convolution)

Dk：卷积核大小

M：输入尺寸

N：输出尺寸

3.3 代码实现 ⭐

参考资料
可分离卷积及深度可分离卷积详解

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')