Depthwise Separable Convolution

Depthwise Separable Convolution: Fattorizza convoluzione standard in convoluzioni depthwise e pointwise per efficienza. Depthwise convolve ogni canale separatamente. Pointwise (1x1) combina canali. Riduce drasticamente computazione. Core di MobileNet. Esempi di applicazione: Architettura MobileNet, CNN efficienti, Deployment mobile.

In English: Depthwise Separable ConvolutionLegge III · Come una rete impara dai dati

Depthwise convolve ogni canale separatamente. Pointwise (1x1) combina canali. Riduce drasticamente computazione. Core di MobileNet.

Formula

Parametri = k²C_in + C_inC_out invece di k²C_inC_out

Esempio numerico

import torch.nn as nn
block = nn.Sequential(
    nn.Conv2d(32, 32, 3, padding=1, groups=32, bias=False),
    nn.Conv2d(32, 64, 1, bias=False)
)
print(3*3*32 + 32*64)  # 2,336

Quando usarlo

È utile in modelli mobili ed edge per separare filtraggio spaziale e combinazione dei canali.

Limiti

La fattorizzazione può ridurre capacità e il vantaggio di latenza dipende da hardware e operatori disponibili.

Esempi

  • Architettura MobileNet
  • CNN efficienti
  • Deployment mobile

Autovalutazione

Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.

1. Che cos’è Depthwise Separable Convolution?
Spiegazione

Depthwise Separable Convolution: Fattorizza convoluzione standard in convoluzioni depthwise e pointwise per efficienza. Depthwise convolve ogni canale separatamente. Pointwise (1x1) combina canali. Riduce drasticamente computazione. Core di MobileNet. Esempi di applicazione: Architettura MobileNet, CNN efficienti, Deployment mobile.

2. Quale applicazione è coerente con Depthwise Separable Convolution?
Spiegazione

È utile in modelli mobili ed edge per separare filtraggio spaziale e combinazione dei canali.

3. Quale voce è collegata a Depthwise Separable Convolution?
Spiegazione

Le voci correlate sono scelte per collegamento tecnico, non per somiglianza casuale.