这两种卷积可以达到相似的目的，但运算量和参数容量不同，可分离卷积具有占用运算资源小的优势。

image.png

比如一个Df x Df x M的图片，M个通道，像素值Df x Df。要对这个图片进行N维度的转换，最终得到Df x Df x N的张量。这样一个相同的目的，可以用普通卷积实现，也可以用深度可分离卷积实现

普通卷积实现

要在N维上观察图片，对于普通卷积，必须有N个卷积核。并且每个卷积核必须有M个通道。因为普通卷积的运算过程是3x3xM卷积核的每个通道与图片的每个通道做每个区域的点积，最后M个通道的点积和在想加，也就是说对于普通卷积图片有几个通道，卷积核必须有几个通道，最后的运算结果只有一维，如果要多维必须得有多个卷积核。
所以对于普通卷积他的参数量（假定卷积核是Dk x Dk大小：
Dk x Dk x M x N
普通卷积涉及的乘法数量：
((Df x Df) x （Dk x Dk x M）) x N
其中一个卷积核在一个区域上的运算量是 Dk x Dk x M， 总共有Df x Df个区域。 并且有N个卷积核。

深度可分离卷积实现

要把M通道的图片变成N维的张量来分析，深度可分离采用的做法是分两步完成。

第一步

一个通道只和一个卷积核运算，且卷积核只有一个通道。M个通道使用M个卷积核。这样输入是Df x Df x M 输出也是Df x Df x M。使用的参数量Dk x Dk x M
运算量是Df x Df x Dk x Dk x M

第二步

继续和一个单点核进行普通卷积生成N维张量。此时单点核必须是M通道，且必须有N个。普通卷积后得到Df x Df x N的张量
使用的参数量1 x M x N
运算量是Df x Df x 1 x M x N

深度卷积+点卷积 相对于传统卷积的优缺点

深度卷积+点卷积,可以知道在多个维度上提取特征的时候, 不同维度间提取窗口是通过点卷积的1*1核来区别, 而普通卷积多个通道之间的融合可以用更多的参数进行调整的. 相当于可分离卷积牺牲了一些参数的调整方向. 优点就是减少了参数和计算量