深度可分离卷积

深度可分离卷积把标准卷积拆成两步: Depthwise——每通道独立用一个 $k \times k$ 核做空间卷积(不跨通道); Pointwise——$1 \times 1$ 卷积跨通道线性混合。算力比推导: 标准卷积 FLOPs $= k^2 C_{in} C_{out} HW$, 深度可分离为 $k^2 C_{in} HW + C_{in} C_{out} HW$(HW 为输出空间尺寸), 比值 $= \frac{1}{C_{out}} + \frac{1}{k^2}$——第一项来自 pointwise、第二项来自 depthwise。代入 $k=3$、$C_{out}=256$: $\frac{1}{256} + \frac{1}{9} \approx 0.0039 + 0.1111 \approx 0.114$, 即计算量约为标准卷积的 11.4%, 节省约 8.8×; 参数量同步缩小(比值公式相同)。

MobileNetV1 的核心算子(全网络替换标准卷积), MobileNetV2 再叠加反向残差+线性瓶颈; 面试必考推导算力比、解释省在哪里、以及为什么 1×1 卷积不可省。

把“空间卷积”与“通道混合”解耦, 使卷积计算量从与 $C_{in} \times C_{out}$ 成正比降为与 $C_{in} + C_{out}$ 成正比, 在 top-1 精度仅损失约 1~2 个百分点(ImageNet 上 ~70.6% vs 标准卷积基线 ~71.7%)的代价下将算力与参数量压缩约 8.8×, 让视觉模型能在移动端实时运行。

检验攻克程度：针对「深度可分离卷积」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。