深度可分离卷积（depthwise separable convolutions）
深度可分离卷积depthwise separable convolution是由depthwise(DW)和pointwise(PW)两个部分结合起来，用来提取特征feature map。
需要注意的是，深度可分离卷积和正常(标准)卷积是等效的。
废话不多说，直接上个图。
图中(a)表示的是标准卷积，假设输入特征图尺寸为
，卷积核尺寸为
，输出特征图尺寸为
，用了Padding。标准卷积层的参数量为
，N表示卷积核的个数。
图(b)代表深度卷积，图(c)代表逐点卷积，两者合起来就是深度可分离卷积。深度卷积负责滤波，尺寸为
，共M个，作用在输入的每个通道上；逐点卷积负责转换通道，尺寸
，共N个，作用在深度卷积的输出特征映射上。
其中，深度卷积参数量为
，逐点卷积参数量为
，所以深度可分离卷积参数量为
。
深度卷积参数量与标准卷积参数量之比为
如果现在还不理解的话，举个更加具体的例子进行解释。
标准卷积
对于一张5×5像素、三通道（shape为5×5×3），经过3×3卷积核的卷积层（假设输出通道数为4，则卷积核shape为3×3×3×4，最终输出4个Feature Map，如果有same padding则尺寸与输入层相同（5×5），如果没有则为尺寸变为3×3
卷积层共4个Filter，每个Filter包含了3个Kernel(卷积核)，每个Kernel(卷积核)的大小为3×3。因此卷积层的参数数量可以用如下公式来计算：
N_std = 4 × 3 × 3 × 3 = 108
深度可分离卷积
(1)depthwise convolution
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。
一张5×5像素、三通道彩色输入图片（shape为5×5×3），Depthwise Convolution首先经过第一次卷积运算，DW完全是在二维平面内进行。卷积核的数量与上一层的通道数相同（通道和卷积核一一对应）。所以一个三通道的图像经过运算后生成了3个Feature map(如果有same padding则尺寸与输入层相同为5×5)，如下图所示。
其中一个Filter只包含一个大小为3×3的Kernel，卷积部分的参数个数计算如下：
N_depthwise = 3 × 3 × 3 = 27
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为上一层的通道数。所以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
由于采用的是1×1卷积的方式，此步中卷积涉及到的参数个数可以计算为：
N_pointwise = 1 × 1 × 3 × 4 = 12
经过Pointwise Convolution之后，同样输出了4张Feature map，与常规卷积的输出维度相同。
总结一下：
常规卷积参数：108
深度可分离卷积参数：27+12=39
根据第一部分的公式计算深度可分离卷积参数/常规卷积参数=1/4+1/9=0.361
第二部分示例深度可分离卷积参数/常规卷积参数=39/108=0.361
两个相等，证明实例推导没错！
参考链接
https://zhuanlan.zhihu.com/p/92134485
https://blog.csdn.net/gwplovekimi/article/details/89890510#%E6%B7%B1%E5%BA%A6%E5%8F%AF%E5%88%86%E7%A6%BB%E5%8D%B7%E7%A7%AF%EF%BC%88depthwise%20separable%20convolution%EF%BC%89
https://blog.csdn.net/evergreenswj/article/details/92764387
https://www.jianshu.com/p/38dc74d12fcf?utm_source=oschina-app
https://zhuanlan.zhihu.com/p/65377955
https://www.cnblogs.com/sdu20112013/p/11759928.html