用深度可分离卷积代替3×3卷积完整pytorch代码

当使用深度可分离卷积代替3x3卷积时，可以减少参数数量，从而减少模型大小和计算复杂度。下面是使用深度可分离卷积代替3x3卷积的PyTorch代码示例：

import torch.nn as nn

# 3x3卷积
conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=1, padding=1)

# 深度可分离卷积
depthwise_conv = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=3, stride=1, padding=1, groups=3)
pointwise_conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=1, stride=1, padding=0)
separable_conv = nn.Sequential(depthwise_conv, pointwise_conv)

这里使用了两个卷积层来代替3x3卷积。首先使用深度可分离卷积，即先使用3x3深度卷积（groups参数指定为输入通道数，即3），再使用1x1卷积，来代替3x3卷积。可以看到，使用深度可分离卷积后，参数数量从64x3x3x3=1728降低到3x3x3+3x1x1x64=195，大大减少了参数数量。