轉自：https://blog.csdn.net/tintinetmilou/article/details/81607721
Depthwise(DW)卷積與Pointwise(PW)卷積，合起來被稱作Depthwise Separable Convolution(參見Google的Xception)，該結構和常規卷積操作類似，可用來提取特徵，但相比於常規卷積操作，其參數量和運算成本較低。所以在一些輕量級網絡中會碰到這種結構如MobileNet。
常規卷積操作
對於一張5×5像素、三通道彩色輸入圖片（shape爲5×5×3）。經過3×3卷積核的卷積層（假設輸出通道數爲4，則卷積核shape爲3×3×3×4），最終輸出4個Feature Map，如果有same padding則尺寸與輸入層相同（5×5），如果沒有則爲尺寸變爲3×3。
Depthwise Separable Convolution
Depthwise Separable Convolution是將一個完整的卷積運算分解爲兩步進行，即Depthwise Convolution與Pointwise Convolution。
Depthwise Convolution
不同於常規卷積操作，Depthwise Convolution的一個卷積核負責一個通道，一個通道只被一個卷積核卷積。上面所提到的常規卷積每個卷積核是同時操作輸入圖片的每個通道。
同樣是對於一張5×5像素、三通道彩色輸入圖片（shape爲5×5×3），Depthwise Convolution首先經過第一次卷積運算，不同於上面的常規卷積，DW完全是在二維平面內進行。卷積核的數量與上一層的通道數相同（通道和卷積核一一對應）。所以一個三通道的圖像經過運算後生成了3個Feature map(如果有same padding則尺寸與輸入層相同爲5×5)，如下圖所示。
Depthwise Convolution完成後的Feature map數量與輸入層的通道數相同，無法擴展Feature map。而且這種運算對輸入層的每個通道獨立進行卷積運算，沒有有效的利用不同通道在相同空間位置上的feature信息。因此需要Pointwise Convolution來將這些Feature map進行組合生成新的Feature map。
Pointwise Convolution
Pointwise Convolution的運算與常規卷積運算非常相似，它的卷積核的尺寸爲 1×1×M，M爲上一層的通道數。所以這裏的卷積運算會將上一步的map在深度方向上進行加權組合，生成新的Feature map。有幾個卷積核就有幾個輸出Feature map。如下圖所示。
