Depth-wise Convolution的目的是為了減少計算量，提高計算速度。
對於Depth-wise Convolution來說，一個卷積核只負責一個通道，一個通道只被一個卷積核卷積。
對於普通的卷積層來說：
input feature map為[12,12,3]，使用256個[5,5,3]的卷積核，得到output feature map為[8,8,256]，參數量為5*5*3*256=19200，所需計算乘法的次數為5*5*3*256*8*8=1228800(FLOPs)。
對於Depth-wise Convolution來說：
分為兩步：
（1）通道分開卷積，input feature map為[12,12,3]，分別使用3個[5,5,1]的卷積核，得到output feature map[8,8,3]
（2）再一起卷積，input feature map為[8,8,3]，使用256個[1,1,3]的卷積核，得到output feature map[8,8,256]
參數量為：5*5*1*3+1*1*3*256=843,所需計算的乘法次數為5*5*1*3*8*8+1*1*3*256*8*8=53952(FLOPs)。
參考：https://zhuanlan.zhihu.com/p/149564248