图像中常用的卷积是3D操作。 （KxKxC； K =内核大小，C =通道数）通过将其划分为KxKx1的多个2D运算来应用后，深度可分离卷积在通道方向上应用大小为1x1xC的卷积会大大减少参数数量。以这种方式创建的网络结构是Google MobileNet。
在将不同大小的核（例如3×3、5×5和7×7）应用于输入张量之后，Google Inception具有一个基本的串联模块。这种方法的优点还在于基于相同性能的参数数量减少。
在下面的链接中共享的Google MixNet具有将以上两个特征组合为一个的结构。换句话说，在使用深度可分离卷积时，将应用各种大小的内核。实验的结果令人惊讶。与ResNet-153相比，在ImageNet-1K任务中，仅参数的1/12和操作的1/28表现出相同的性能。
但是，这并不意味着MixNet比ResNet快28倍。通常，对于最高效的GPU操作，必须重复执行``大''，``相同''的操作，但是深度卷积比标准卷积要复杂得多，因为它被拆分并应用到每个卷积中，并且最终随着操作数量的减少，性能没有差异。盗梦空间也是如此。它更复杂，因为它分为多个内核并执行每个操作，并且比非接收结构慢。另外，由于发生“分支”，因此在简单的实现中所需的内存也增加了。
作为参考，在残留网络（即跳过连接）的情况下，参数数量不会增加1度，并且仅通过MFLOPS计算得出的计算量几乎相同，但是在实践中进行测量时，执行时间会受到显着影响。 （我知道这也是因为发生“分支”。）存储过滤前后的内存所需的内存也增加了。
这并不意味着MixNet不好，我将在以后使用它，^^，但是我认为仅通过参数和操作的数量就不能完全表达网络的复杂性。实际上，MixNet-S的参数比MobileNet-V3少30%，但在Google Pixel进行的推理测试中，MobileNet-V3的速度是后者的两倍。我认为“结构简单”和“实现相似性”是实际上具有很大影响力的一个例子。作为参考，在硬件实现上更为明显。实现成本在3×3、5×5和7×7之间存在差异，远大于参数数量上的差异。
