普通卷积

以 3x3 的卷积为例，padding = 1 代表输出输出尺寸不变

输入：N C1 W H 的 tensor

输出：N C2 W H 的 tensor

卷积核的参数：$C_1 * C_2 * W * H$

对于输出的 $C_2$ 个通道，都需要一个 $C_1 * W *H$ 的卷积核去卷积得到特征图

• 卷积核的通道数量 = 输入通道数量 $C_1$

• 卷积核的数量 = 输出通道个数 $C_2$

• 卷积核的尺寸 = 特征图的尺寸

深度可分离卷积（来自 MobileNet）

将标准卷积分解为逐深度卷积 Depthwise convolution 和逐点卷积 Pointwise convolution

输入：$N * C_1 * W * H$ 的 tensor

输出：$N * C_2 * W * H$ 的 tensor

卷积核的参数：$C_1 * C_2 * W * H$

逐深度卷积 Depthwise convolution

• 每个通道进行卷积操作，就得到了和输入特征图通道数一致的输出特征图

• 该步卷积核的参数是：$C_1 * 1 * W * H$

逐点卷积 Pointwise convolution：

• 使用 1x1 的卷积对上一步得到的特征图进行调整

• 该步卷积核的参数是：$C_1 * 1 * W * H$

空间可分离卷积（来自 ACNet）

动态卷积

下采样的方式

上采样的方式

网格效应

#