depthwise convolution and pointwise convolution

深度可分离卷积（Depthwise Separable Convolution）是卷积神经网络中一种常用的卷积操作，它可以在减少计算量的情况下保持较好的准确率。深度可分离卷积由深度卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）两个部分组成。

深度卷积是在每个输入通道上分别进行卷积，它只使用一个卷积核，得到每个通道的输出。这样可以大大减少计算量，但是卷积后的特征图仍然具有原始输入的通道数，因此需要进行进一步处理。

逐点卷积是在每个像素点上进行卷积，它使用一个 1x1 的卷积核，将深度卷积产生的特征图进行压缩，减少通道数。逐点卷积可以看作是对特征图进行线性变换，它可以增加网络的非线性性。

深度可分离卷积相比于传统的卷积操作，可以显著减少计算量和参数量，同时保持较好的准确率。它在移动设备等资源有限的环境下，具有很大的优势。

逐点卷积（Pointwise Convolution）是卷积神经网络中的一种基本操作，它可以用来处理通道之间的关系。逐点卷积使用一个 1x1 的卷积核，在每个像素点上进行卷积，将输入特征图的通道数压缩到需要的大小。

逐点卷积的作用包括增加非线性性、减少计算量、调整通道数等。它通常用于卷积神经网络的最后一层，将特征图的通道数压缩到分类数或者特征维度的大小。