常规卷积
常规卷积：卷积核与输入的每个通道都进行卷积操作； 假设输入层为一个大小为64×64像素、三通道彩色图片，经过一个包含4个Filter的卷积层，最终输出4个Feature Map，且尺寸与输入层相同。 卷积层共4个Filter，每个Filter包含了3个Kernel，每个Kernel的大小为3×3。 卷积层的参数数量可以用如下公式来计算(即：卷积核W x 卷积核H x 输入通道数 x 输出通道数)： 4 × 3 × 3 × 3 = 108
深度可分离卷积
深度可分离卷积（Depthwise Separable Convolution，DSC）用于减少网络参数，提升计算效率；它的核心思想是将一个完整的卷积运算分解为两步进行，分别为Depthwise Convolution和Pointwise Convolution，详细结构如图所示：
Depthwise Convolution 逐通道卷积
常规卷积卷积核需要与输入的每个通道都进行卷积操作，而Depthwise对输入feature map的每个通道分别使用一个卷积核，然后将所有卷积核的输出再进行拼接得到它的最终输出，如图： 还用上面那个例子，这里的Filter的数量与上一层的Depth相同。所以一个三通道的图像经过运算后生成了3个Feature map，参数量为： 3x3x3=27
Pointwise Convolution 逐点卷积
Pointwise Convolution实际为1×1卷积，与常规卷积运算相同，在DSC中它起两方面的作用： 第一个作用是让DSC能够自由改变输出通道的数量； 第二个作用是对Depthwise Convolution输出的feature map进行通道融合；
用1*1的卷积组合不同深度卷积的输出，得到一组新的输出。卷积核的尺寸为 1×1×M，M为上一层的depth。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Filter就有几个Feature map，参数量为： 1x1x3x4=12;
因此，深度可分离卷积的参数个数为27+12=39。
pytorch 实现可分离卷积
可以使用 torch.nn.Conv2d() 中的卷积组参数 groups，来实现深度可分离卷积。groups 参数是用于控制输入和输出的连接的，表示要分的组数(in_channels 和 out_channels 都必须能被 groups 参数整除)。例如：
当 groups =1 (默认值)时，就是同普通的卷积；当 groups=n 时，相当于把原来的卷积分成 n 组，每组 in_channels/n 的输入与 out_channels/n 个 kernel_size x kernel_size x in_channels/n的卷积核卷积，生成 out_channels/n 的输出 ，然后将各组输出连接起来，形成完整的 out_channels 的输出；当 groups = in_channels 时，每个输入通道都只跟 out_channels/in_channels 个卷积核卷积； out_channels = in_channels 时就是 Depthwise 卷积。
import torch
from torchsummary import summary
class myGroupConv(torch.nn.Module):
def __init__(self):
super(myGroupConv, self).__init__()
self.conv2d = torch.nn.Conv2d(in_channels=4,
out_channels=8,
kernel_size=3,
stride=1,
padding=1,
groups=1,
bias=False)
self.relu = torch.nn.ReLU()
def forward(self, x):
x = self.conv2d(x)
x = self.relu(x)
return x
class depthwise_separable_conv(torch.nn.Module):
def __init__(self, ch_in, ch_out):
super(depthwise_separable_conv, self).__init__()
self.ch_in = ch_in
self.ch_out = ch_out
self.depth_conv = torch.nn.Conv2d(ch_in, ch_in, kernel_size=3, padding=1, groups=ch_in, bias=False)
self.point_conv = torch.nn.Conv2d(ch_in, ch_out, kernel_size=1, bias=False)
def forward(self, x):
x = self.depth_conv(x)
x = self.point_conv(x)
return x
class mydspConv(torch.nn.Module):
def __init__(self):
super(mydspConv, self).__init__()
self.conv2d = depthwise_separable_conv(4, 8)
self.relu = torch.nn.ReLU()
def forward(self, x):
x = self.conv2d(x)
x = self.relu(x)
return x
device = torch.device("cuda" )
model_1 = myGroupConv().to(device)
summary(model_1, (4, 3, 3))
model_2 = mydspConv().to(device)
summary(model_2, (4, 3, 3))
结果： 说明： 输入尺寸：3x3x4 输出尺寸：3x3x8
常规卷积，group=1，参数量：3x3x4x8=288；测试代码中偏置设为False，所以不加上偏置的参数量，若设为true，则参数量还需要加上等于输出通道个数的偏执量的个数，等于296；深度可分离卷积：
逐通道卷积：groups=输入通道数，输出通道数=输入通道数，kernel_size=3，每一个卷积核只在一个通道上进行卷积，其参数量=3×3×4=36逐点卷积：kernel_size=1， 其参数量=1×1×4×8=32； 总参数量=36 + 32 = 68
相关链接
您阅读本篇文章共花了：
发表评论