Depthwise Separable Convolution（深度可分离卷积）是将传统卷积分成两步进行计算即Depthwise和Pointwise。可以简化参数量和计算量，通常应用在轻量化网络中。

1 Depthwise Convolution

Depthwise Conv和普通的卷积不同，Depthwise Conv的卷积核只有一个，其通道的数量和特征图的通道数量一致，特征图每个channel仅与卷积核的一个channel进行计算，一个通道数为$C_1$的特征图，就会有$C_1$深度的卷积核，经过计算过后，通道数不变，仍然是$C_1$个channels

2 Pointwise Convolution

pointwise conv和普通卷积计算过程相似，只不过卷积核是1×1的大小，每个卷积核的通道数和特征图相同，计算结果的通道数和卷积核的个数相同。

3 Depthwise Separable Convolution

对于$C_1 \times H \times  W$特征图$F_1$，通过一个$C_1 \times k \times  k$的卷积核进行depthwise conv，得到$C_1 \times H^{\prime} \times  W^{\prime}$大小的中间特征图$F_2$。然后通过$C_2$个$C_1 \times 1 \times 1$卷积核，进行pointwise conv，得到最终计算结果$F_3$，尺寸是$C_2 \times H^{\prime} \times  W^{\prime}$。

上述过程就是深度可分离卷积的计算过程，普通卷积里，滑动窗口计算和聚合是在一个卷积核内进行的，但是在深度可分离卷积中，滑动窗口计算和聚合操作分别由depthwise和pointwise执行。这样减轻了网络，减少了计算量。

4 参数数量

我们假设$k=3$，$C_{1}=3$，$C_{2}=4$，如果是普通卷积，则参数数量是4x3x3x3=108。

若采用深度可分离卷积，depthwise conv的参数数量为3x3x3=27，pointwise conv的参数数量为1x1x3x4=12，总数量为39，参数数量为普通卷积的三分之一