一句话定义：深度可分离卷积（Depthwise Separable Convolution）是一种把标准卷积拆成两步的卷积操作：先让每个输入通道各自独立地做空间卷积（depthwise convolution，逐通道卷积），再用 1×1 卷积把各通道的信息线性组合起来（pointwise convolution，逐点卷积）。
拆开之后省了多少计算量
打个厨房里的比方。标准卷积像一位厨师同时照看所有食材：他每次舀一勺，既看锅里邻近的几样东西（空间邻域），又把所有食材的味道混在一起（通道混合）。深度可分离卷积则把它改成一条流水线：第一步，每个通道各炒各的，只看自己这块小区域的邻域关系；第二步，用 1×1 卷积当“调味师”，把各通道的成果按权重混匀。
用公式看更清楚。设卷积核边长 Dk、输入通道 M、输出通道 N、特征图边长 Df，标准卷积的乘加量约为 Dk·Dk·M·N·Df·Df；深度可分离卷积则是 Dk·Dk·M·Df·Df 加 M·N·Df·Df。两者比值约为 1/N + 1/Dk²。也就是说，输出通道越多、卷积核越大，省得越明显；常见的 3×3 卷积核、上百个输出通道时，理论计算量能降到接近十分之一。这是纯公式推导，不代表任何具体芯片上的实测速度。
和相邻概念的区别
| 操作 | 空间建模 | 通道混合 | 典型用途 |
|---|---|---|---|
| 标准卷积 | 有 | 有（同时进行） | 通用主干网络 |
| 逐通道卷积（depthwise） | 有 | 无 | 只提空间特征 |
| 1×1 卷积（pointwise） | 无 | 有 | 升降维、跨通道融合 |
| 分组卷积（group convolution） | 有 | 仅组内 | 折中方案 |
| 深度可分离卷积 | 有 | 有（分两步） | 轻量模型 |
关键点：逐通道卷积其实是分组卷积的极端情形——组数等于通道数，每组只有一个通道。它本身完全不做通道间交流，所以必须补一个 1×1 卷积，否则各通道永远各说各话。深度可分离卷积等于“极端分组 + 通道混合”这对组合拳。
对从业者的实际意义
它的价值在于把算力预算从“又看空间又混通道”的重活里解放出来，是手机、摄像头、嵌入式设备上跑视觉模型的常见选择，MobileNet 系列就是围绕它设计的。但代价要说清楚：通道交互被削弱了，模型的表达能力随之下降，它不是无损替换。通道数本来就少的小网络里，逐通道卷积的参数太少，反而容易欠拟合；一些对通道间精细配合敏感的任务，直接替换可能掉点。还有一个工程上的坑：逐通道卷积的访存开销相对计算量偏高，属于“算得少但搬得多”的类型，理论 FLOPs 降了，实际推理速度未必等比例提升，选型时要在目标硬件上实测。
对普通人来说，这意味着手机相册的语义搜索、实时人像虚化、离线语音唤醒这类功能，能在地端完成而不必把数据传上云——省的是电和延迟。至于某个框架或芯片对它优化到什么程度，以官方文档和实测为准。