整体可以参考这里
以下是我的个人理解的补充，方便日后回顾
normal convolution：普通卷积对于每一个输入channel都提供一套卷积参数，例如卷积核为 K ∗ K K * K K∗K，输出channel为 C o u t C_{out} Cout，则对于每一个输入channel，卷积参数为 K ∗ K ∗ C o u t K * K * C_{out} K∗K∗Cout。因此如果输入channel为 C i n C_{in} Cin，则全部参数为 C i n ∗ K ∗ K ∗ C o u t C_{in}*K*K*C_{out} Cin∗K∗K∗Cout。group convolution：对于分组卷积，他将输入分组为 G G G组，每组共享卷积参数，因此他卷积的全部参数仅为 ( C i n / G ) ∗ K ∗ K ∗ C o u t (C_{in}/G)*K*K*C_{out} (Cin/G)∗K∗K∗Cout。depth-wise separable convolution：第一层卷积：separable convolution，输入channel等于输出channel，相当于深度没有增加，但是每个channel的height和width会有依据kernel_size所改变。第二层卷积：point convolution， C o u t C_{out} Cout可以自定义，而kernel_size固定为1*1，从而增加卷积深度。依照这样的方法，可以得到和normal convolution相同的输出，参数量减少； 相比于group convolution， 卷积核也操作到了输入的每一层chanel。
