深度可分离卷积深度可分离卷积可以减少参数量和计算量；但是使用卷积核为1的卷积，用深度可分离卷积替换原来的卷积，参数量和计算量反而会增加

深度可分离卷积
深度可分离卷积可以减少参数量和计算量，但是如果我的卷积核本身就是1，那使用深度可分离卷积替换原来的卷积，参数量和计算量反而会增加，是这个么个道理吗？我用程序跑出来的结果也确实是这样子，参数量反而会变大

是的，深度可分离卷积确实会增加参数量和计算量。当你使用深度可分离卷积时，你需要将卷积核的参数量增加一倍，因为你需要将卷积核的参数量从1个增加到2个。此外，深度可分离卷积还需要额外的计算步骤来计算卷积结果，这也会增加计算量。

然而，如果你的卷积核本身就是1，那么使用深度可分离卷积替换原来的卷积，参数量和计算量反而会减少，这是因为深度可分离卷积可以减少参数量和计算量，但是它并不能完全替代原来的卷积。在这种情况下，你需要根据具体情况来选择是否使用深度可分离卷积。

总之，深度可分离卷积可以减少参数量和计算量，但是它并不能完全替代原来的卷积。在选择是否使用深度可分离卷积时，需要根据具体情况来决定。

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7482362
• 你也可以参考下这篇文章：标准卷积、深度可分离卷积和分组卷积的参数量与计算量和感受野大小计算
• 除此之外, 这篇博客: 线性回归与逻辑回归的区别中的 这里可能会有疑问，为什么不直接用线性回归的模型来对这种分类问题进行拟合？ 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  吴恩达的《machine learning》中谈到了这点，线性回归模型的表达能力有限，如果直接使用线性回归，并且使用线性回归的平方和作为成本函数，那么成本函数会变成如下（“non-convex”）：
  
  有太多的局部最优解，如果使用逻辑回归并且使用对数损失函数作为成本函数，成本函数才会易于求解（“convex”）：
  

• 您还可以看一下 陈槐老师的零基础新手入门软件测试必知必会课程中的 项目实战中系统编写测试用例有什么意义小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^