标准回答
深度可分离卷积的拆分
标准卷积同时在空间维和通道维做加权求和。深度可分离卷积把它拆成两步：先用 depthwise 卷积，对每个输入通道单独做一个 (D_k \times D_k) 的空间卷积（不跨通道）；再用 pointwise（即 1×1）卷积，在每个空间位置做跨通道的线性组合，得到输出通道。
计算量对比
设卷积核 (D_k \times D_k)、输入通道 M、输出通道 N。标准卷积计算量正比于 (D_k^2 \cdot M \cdot N)；可分离后为 (D_k^2 \cdot M + M \cdot N)。两者之比约为 (1/N + 1/D_k^2)。对 3×3 卷积、N 较大时，约能省下 8–9 倍计算量与参数量，非常适合端侧。
1×1 卷积的作用
1×1 卷积本质是在通道维做线性组合：可用于通道融合、升降维构造瓶颈（先降维省算力再升回）、配合激活增加非线性，以及在可分离卷积里承担跨通道信息交互的角色。
常见误区
⚠️ 常见踩坑
别以为可分离卷积「无损」——depthwise 阶段缺少跨通道交互，表达能力弱于标准卷积，需靠 pointwise 补回；也别忽略它访存密集、在某些硬件上加速比不及理论 FLOPs 降幅。
追问
追问 1：为什么 depthwise 卷积单独用效果差，必须配 1×1？
depthwise 只在各通道内部做空间滤波，通道之间没有任何信息融合，特征表达受限。1×1 pointwise 卷积负责跨通道线性组合，把各通道信息混合起来，二者配合才能近似标准卷积的表达能力。
追问 2：可分离卷积 FLOPs 降了很多，实际推理为什么没快那么多？
因为它是访存（memory-bound）密集型：计算量小但中间特征图读写多，算术强度低，GPU/CPU 利用率不高。实际加速比受硬件、算子实现和通道数影响，常低于理论 FLOPs 降幅。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。