在 MobileNets 中引入深度可分离卷积的目的是减少所需的计算费用。 因此,让我们将深度卷积可分离卷积与标准卷积的计算成本进行比较。 由于乘法运算而导致主要的计算成本(诸如加法的运算在计算上很简单)。 乘法次数越多,所需的计算就越高。 让我们考虑一个`M x M x N`图像的情况。 这是 RGB 图像的典型尺寸。 假设我们正在使用`K x K x N`大小的标准卷积核,并且我们希望尺寸特征图为`G x G x D`。 为此,我们必须使用`D`个过滤器:
* 因此,在一个位置上一个卷积滤波器所需的乘法运算次数为*K .K。 N = K <sup>2</sup> N*。
* 该滤波器会滑动`G`x`G`次,以生成一个滤波器的完整输出。 这使得乘法的次数 *G <sup>2</sup> K <sup>2</sup> N。*
* 我们有`D`这样的内核。 因此,这使得我们需要卷积 *G <sup>2</sup> K <sup>2</sup> ND*的总成本。
* 因此,在一个位置上一个卷积滤波器所需的乘法运算次数为`K . K . N = K^2 N`。
* 该滤波器会滑动`G x G`次,以生成一个滤波器的完整输出。 这使得乘法的次数`G^2 K^2 N`。