深度可分离卷积
在《Python深度学习》（Keras之父执笔）这本书里看到：注意，大部分（或全部）普通卷积很可能不久后会被深度可分离卷积(depthwise separable convolution)所替代, 后者与前者等效，但速度更快，表示效率更高。
1. 简介
在可分离卷积中，它将对区域和通道的计算分离开，而普通卷积是同时考虑区域和通道的。
2. 通过例子对比可分离卷积和普通卷积的区别
假设一个3×3大小的filter，其输入通道为16，输出通道为32
普通卷积的参数： （3×3×16）×32=4068
可分离卷积：
先考虑区域，即每个通道对应一个3×3×1大小的filter, 然后考虑通道对应32个1×1×16大小的filter
参数计算： （3×3×1）×16 + （1×1×16）×32=656
下面这张图来自参考链接1
分组卷积
1. 简介
Group convolution最早在AlexNet中出现，受硬件资源的限制，无法将卷积操作在一个GPU进行处理。
分组卷积是沿通道方向将数据分组，假设分成g组，那么每一组中的通道数为c1/g，对应输出的通道数为c2/g。
2. 通过一个例子理解分组卷积
输入通道为256，输出通道为256，filter大小为3×3
普通卷积的参数： (3×3×256)×256
分组卷积：当组数为8时，每一组的输入通道数为32，输出通道数为32。((3×3×32)×32×8)
可见，分组卷积的参数变为原来的八分之一，极大地减小了参数。
空洞卷积
空洞卷积是针对图像语义分割问题中下采样（即池化操作）会降低图像分辨率，丢失信息而提出的一种卷积思路。空洞卷积通过对卷积核添加空洞来扩大感受野，感受野是指数级增长的。
空洞卷积并不增加参数量，多出的点给出的权值就是0，无需训练。
转置卷积
用转置卷积进行上采样，当用神经网络生成图片的时候，经常需要将一些低分辨率的图片转换为高分辨率的图片。
简单来说，转置卷积恢复了原来的shape，value并不一致，但是维持了对应关系，即进行卷积操作的时候，x4影响了y0, y2位置的数值生成，那么转置卷积的时候，y0, y2 的值会影响x4值的生成，只是此时x4的值和之前的值不相同罢了。
下图来自李宏毅老师的课件
来源：CSDN ，作者：Doooer
原文：https://blog.csdn.net/YQMind/article/details/82977172
版权声明：本文为博主原创文章，转载请附上博文链接！
参考：
https://blog.csdn.net/chaolei3/article/details/79374563
https://blog.csdn.net/jiachen0212/article/details/78548667
https://blog.csdn.net/u014722627/article/details/60574260
https://blog.csdn.net/LoseInVain/article/details/81098502
