深度可分离卷积（DepthwiseSeparableConvolution）：Depthwise卷积与Pointwise卷积

0、前言

深度可分离卷积不用多说，在轻量级网络架构方面是一个绕不开的话题，只要接触深度学习多多少少会接触。

深度可分离卷积即Depthwise Separable Convolution，该卷积将一个常规卷积过程划分成两个完成：Depthwise卷积和Pointwise卷积，在保证输出一样时，计算量大大降低。

首先来看，一个常规卷积是怎么实现的。当我在pytorch定义一个卷积，该卷积接受一个3通道tensor，输出一个4通道tensor：

nn.Conv2d(in_channels=3,
          out_channels=4,
          kernel_size=3)
1
2
3

其示意图：
我们计算一下参数量：parameters=3*3*3*4=108
推广来看，参数量为：parameters=kernel_size*kernel_size*in_channels*out_channels

如果我们从通道数变换的角度来看，卷积就是将3通道的tensor变为了4通道的tensor，我们来看看深度可分离卷积是怎么实现通道的变化的。

1、深度可分离卷积

深度可分离卷积实际上就是两步：depthwise卷积+pointwise卷积

我们知道点卷积（pointwise）的一大作用就是扩展通道和压缩通道，实际上我们可以直接在3通道的tensor上，直接使用点卷积来升维，将3通道变成4通道，但是这样做违背了卷积的本质。

卷积本质上就是通过卷积匀速提取特征，不同特征对应不同通道，所以改变了通道数。所以我们想要深度可分离卷积替代普通卷积，也需要进行卷积运算，然后改变通道数。

所以第一个阶段depthwise卷积就是进行卷积运算，第二个阶段pointwise卷积就是改变通道数，使符合预先定义的输出通道数。

下面两幅图分别就是depthwise卷积和pointwise卷积的示意图。

1.1 depthwise卷积

深度可分离卷积最难理解的应该就是depthwise卷积了，可能第一眼一看觉得挺简单的，但是如果用pytorch实现就麻烦了，因为又涉及到组卷积的概念。

关于组卷积的概念可以看分组卷积（Group Converlution），实际上depthwise卷积就是分组数=输入通道数=输出通道数的特殊分组卷积，那么可以看到depthwise卷积只是单独对每个通道进行卷积运算，但是没有设计跨通道的计算，这样无法进行完善的特征提取，而且depthwise卷积也没有改变通道数的能力

1.2 pointwise卷积

针对1.1中的问题，使用pointwise卷积即可实现。pointwise本质上就是一个普通卷积，只不过kernel_size=1而已。说实话没什么好说的。

2、代码实现

import torch
from torch import nn



class DSC(nn.Module):
    """
    深度可分离卷积：https://zhuanlan.zhihu.com/p/80041030 https://zhuanlan.zhihu.com/p/490685194
    先是depthwiseConv，本质上就是分组卷积，在深度可分离卷积中，分组卷积的组数=输入通道数=输出通道数，该部分通道数不变
    再是pointwisejConv，就是点卷积，该部分负责扩展通道数，所以其kernel_size=1，不用padding
    """
    def __init__(self, in_channel, out_channel, ksize=3,padding=1,bais=True):
        super(DSC, self).__init__()

        self.depthwiseConv = nn.Conv2d(in_channels=in_channel,
                                       out_channels=in_channel,
                                       groups=in_channel,
                                       kernel_size=ksize,
                                       padding=padding,
                                       bias=bais)
        self.pointwiseConv = nn.Conv2d(in_channels=in_channel,
                                       out_channels=out_channel,
                                       kernel_size=1,
                                       padding=0,
                                       bias=bais)

    def forward(self, x):
        out = self.depthwiseConv(x)
        out = self.pointwiseConv(out)
        return out

if __name__=="__main__":
    from torchsummary import summary
    dsc=DSC(in_channel=3,out_channel=8,ksize=3,padding=1,bais=False).cuda()
    summary(dsc,input_size=(3,48,48))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

参数量为51，如果是普通卷积Conv2d(3,8,3)，参数量为216（不加bias），可见参数量下降幅度很大。

参考

Depthwise卷积与Pointwise卷积