等了这么久终于要开始写Xception的读后感了，其实看过了Google Inception系列（V1~V4）的这几篇文章后再看这篇Xception是蛮好懂的。本文作者是Keras之父写的，所以出现Keras和Tensorflow还是很多的。
本文最重要的东西是深度可分离卷积（Depthwise Separable Convolutions），在它的基础上建立了Xception block。借鉴一下它的例子https://blog.csdn.net/Chaolei3/article/details/79374563来解释什么是深度可分离卷积：
假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。 那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变成了单通道，那么32个卷积核一共需要(3×3×16)×32 =4068个参数。
而深度可分离卷积的计算过程是怎么样的呢？下看下图一：
深度可分离卷积的过程是用16个3×3大小的卷积核（1通道）分别与输入的16通道的数据做卷积（这里使用了16个1通道的卷积核，输入数据的每个通道用1个3×3的卷积核卷积），得到了16个通道的特征图，我们说该步操作是depthwise（逐层）的，在叠加16个特征图之前，接着用32个1×1大小的卷积核（16通道）在这16个特征图进行卷积运算，将16个通道的信息进行融合（用1×1的卷积进行不同通道间的信息融合），我们说该步操作是pointwise（逐像素）的。这样我们可以算出整个过程使用了3×3×16+（1×1×16）×32 =656个参数。这就是所谓的深度可分离通道。
其实这篇文章核心的东西就这么一点，其他开都主要分析了由Inception结构引发的思考，然后一步步推理到深度可分离卷积。然后在介绍完这个深度可分离卷积之后，作者在这个基础上提出了Xception，结构如下图二：
Xception其实就是带残差连接的深度可分离卷积层的线性堆叠，可以从图中看到在跳跃连接这里用1x1卷积进行了降维，同时因为在Xception block里进行了池化，特征图缩小了，所以为了可以正常完成恒等映射，1x1卷积的步长变大了。
如上图三的Xception架构是基于Keras写的，可以对应着看，Tensorflow已经集成了深度可分离卷积，不知道其他框架有没有。
