一、常规卷积操作

在图中，输入的特征图大小为 H * W * 4
卷积核个数为 2 个，每个卷积核的大小为 K * K * 4
输出的特征图大小为 H’ * W’ * 2

二、分组卷积

！！！！ 常规卷积就是组数为 1 的分组卷积

将输入的特征图分为两组，每组的大小为 H * W * 2
那么每组中就只需要一个卷积核，且这个卷积核的大小为 K * K * 2
但是输出的特征图大小依旧是 H’ * W’ * 2

这样就达到了减少计算量的目的

缺点和解决方案：对于需要考虑所有输入特征图信息的情况，分组卷积会降低模型的性能，对于这个问题，常常在两个分组卷积之间加入Channel_Shuffle模块打乱通道顺序，从而实现不同分组间的信息交换。

总体上来看如下图所示

三、深度可分离卷积

常规的卷积过程

对于一张5×5像素、三通道彩色输入图片（shape为5×5×3）。经过3×3卷积核的卷积层（假设输出通道数为4，则卷积核shape为3×3×3×4），最终输出4个特征图

此时，卷积层共4个卷积核，每个卷积核有3个通道，每个通道的大小为3×3。因此卷积层的参数数量可以用如下公式来计算：
N_std = 4 × 3 × 3 × 3 = 108

深度可分离卷积有两个过程，第一步是逐通道卷积

卷积层的参数数量：N_depthwise = 3 × 3 × 3 = 27

第二步是逐点卷积

其中的卷积核大小为 1 * 1 * 3 * 4

N_pointwise = 1 × 1 × 3 × 4 = 12

那么总参数只有 N_depthwise + N_pointwise = 39