深度分離卷積是Xception這個模型中提出來的（不太確定，但肯定是它讓這個概念為大眾周知），具體來說分為兩步，depthwise conv和pointwise conv，前者對輸入特征圖的每個通道進行卷積，然后將輸出串聯，后者就是大家都知道的1X1卷積，二者結合，使得參數量和計算量大幅減少，關鍵是效果還挺好，不服不行。因為自己想在網絡中加入這一結構，於是谷歌pytorch是怎么實現的，發現結果不多，不過還是看到了想要的答案，在這個項目里https://github.com/tstandley/Xception-PyTorch/blob/master/xception.py，這是一個xception的pytorch實現，里面有關於depthwise卷積的實現，然后我發現pytorch已經支持了，至少在0.4中可以。
我就記錄下這個函數吧。准確地說是類。
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1,bias=True)
其中，輸入輸出，核的size，步長，補零都不用說了，dilation是關於卷積核的，不講了，groups就是實現depthwise conv的關鍵，默認為1，意思是將輸入分為一組，此時是常規卷積，當將其設為in_channels時，意思是將輸入的每一個通道作為一組，然后分別對其卷積，輸出通道數為k，最后再將每組的輸出串聯，最后通道數為in_channels*K。
最后總結下，要實現depthwise conv，就將groups設為in_channels，同時out_channels也設為與in_channels相同。
然后再加上1X1卷積，這樣就符合xception的結構了。