欢迎转载，转载请注明：本文出自Bin的专栏blog.csdn.net/xbinworld。  技术交流QQ群：433250724，欢迎对算法、机器学习技术感兴趣的同学加入。 上一篇讲了深度学习方法（十）：卷积神经网络结构变化——Maxout Networks，Network In Network，Global Average Pooling，本篇讲一讲Google的Inception系列

在轻量化网络中，经常使用组卷积、深度卷积或是深度可分离卷积来降低FLOPs，那么三者的区别在哪里呢？下面总结一下。 一、标准卷积 下面是用一个卷积核对输入特征做一次卷积，得到的输出特征的通道为1。 二、组卷积 组卷积是将输入特征按通道分为g组，每组特征中的通道数为 C i n g \frac{C_{in}}{g} gCin​​，所以相应的卷积核的大小也变了，通道数变少了。每次卷积后的特征按通

论文链接 Pytorch实现 Tensorflow实现 Xception是2017年由Keras作者和谷歌著名人工智能专家Francois Chollet提出，是在 Inception modules 进行改进。Xception和Inception V3相比，网络参数并没有增加，只是更加合理得使用了参数导致了性能的提升。 一、The Inception hypothesis 在Figure 1中

文章目录 Group ConvolutionDepthwise Convolution Group Convolution 先来一个正常的Convolution 解释一下：黄色的是学习到的参数哈，也就是权重 我先来说一下，Group Convolution 的动机 我们的模型越深的时候，channel变的越来越多（更多的filter），然后h,w也因为pool，stride变的

一、参考资料 详细且通俗讲解轻量级神经网络——MobileNets【V1、V2、V3】 详细且通俗讲解轻量级神经网络——MobileNets【V1、V2、V3】 卷积神经网络中的Separable Convolution 深度学习中常用的几种卷积（下篇）：膨胀卷积、可分离卷积（深度可分离、空间可分离）、分组卷积（附Pytorch测试代码） 二、相关介绍 1. 标准卷积 标准卷积，利用若干个