写在前面：

 Depthwise(DW)卷积与Pointwise(PW)卷积,合起来被称作Depthwise Separable Convolution

一、Depthwise 卷积

     传统的卷积，比如(1, 3, 64, 64) 与 kernel_size = （3，3）的卷积核进行卷积，需要在三个通道上同时计算，计算量很大，但是depthwise卷积，则把卷积核分成3个，每一个卷积核分别与输入进行卷积计算，节省了大量时间。

     缺点：

      1.丢失了空间信息，使卷积计算变得独立，原本是结合三个通道上的信息进行卷积，现在使不同通道间变得独立

       2.不能修改卷积的输出通道

     （在nn.Conv2d()中需要设置groups = in_channelnnel）

二、Pointwise 卷积

       1.卷积核大小为 1*1*M ,M为输入的通道数,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

       2.可以修改输出的通道

代码如下：

from torch import nn

class separableconv(nn.Module):
    def __init__(self, in_ch, out_ch, stride):
        super(separableconv, self).__init__()
        self.depth_conv = nn.Conv2d(
            in_channels=in_ch,
            out_channels=in_ch,
            kernel_size=3,
            stride=stride,
            padding=1,
            groups=in_ch
        )
        self.point_conv = nn.Conv2d(
            in_channels=in_ch,
            out_channels=out_ch,
            kernel_size=1,
            stride=1,
            padding=0,
            groups=1
        )

    def forward(self, input):
        out = self.depth_conv(input)
        out = self.point_conv(out)
        return out

侵权删