普通卷积
![[深度学习从入门到女装]几种奇怪的卷积](https://img.it610.com/image/info8/3b49e69e49ea46d4bb589fb21ca29e4f.jpg)
文章图片
原始特征图 20*20 4个通道
分别使用6组 4*3*3的卷积进行处理
最终得到20*20*6的特征图
分组卷积
![[深度学习从入门到女装]几种奇怪的卷积](https://img.it610.com/image/info8/094cd7d8d89348d6826ed599cf94eb64.jpg)
文章图片
分组卷积就是将特征图的通道进行分组，然后对每一组使用普通卷积进行操作后，得到的所有特征图concat到一起就是最终结果特征图
【[深度学习从入门到女装]几种奇怪的卷积】原始特征图 20*20 4个通道，分为两组，每组变为2两个通道
分别对两组使用2组3*3的卷积
最终得到20*20*4的特征图
shuffle卷积
![[深度学习从入门到女装]几种奇怪的卷积](https://img.it610.com/image/info8/b32fe31edb7b4d5a98a7144f88f38bd9.jpg)
文章图片
对于分组卷积得到的特征图，每次分组都是那几个特征图在一组，缺少组间的联系，因此提出了shuffle做法，在进行分组卷积之后，对得到的特征进行shuffle，这样再进行下一次分组卷积的时候，就能得到之前没有联系的特征图之间的关系
深度可分离卷积
![[深度学习从入门到女装]几种奇怪的卷积](https://img.it610.com/image/info8/add69b8df13e4b799c730517a6efd540.jpg)
文章图片
深度可分离卷积分为两个步骤，是为了减少普通卷积的计算量
首先第一步使用特殊的分组卷积，也就是每个通道就是一组，对每组都使用一个3*3卷积进行卷积，也就可以得到4个通道的特征图
第二步再使用普通的1*1卷积进行不同通道之间的融合
推荐阅读
- C语言学习|第十一届蓝桥杯省赛 大学B组 C/C++ 第一场
- paddle|动手从头实现LSTM
- pytorch|使用pytorch从头实现多层LSTM
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- pytorch|YOLOX 阅读笔记
- 前沿论文|论文精读（Neural Architecture Search without Training）
- 联邦学习|【阅读笔记】Towards Efficient and Privacy-preserving Federated Deep Learning
- OpenCV|OpenCV-Python实战（18）——深度学习简介与入门示例
- 深度学习|深度学习笔记总结
- 《繁凡的深度学习笔记》|一文绝对让你完全弄懂信息熵、相对熵、交叉熵的意义《繁凡的深度学习笔记》第 3 章 分类问题与信息论基础（中）（DL笔记整理