depth wise cnn相对于传统的CNN，区别在于：它是逐通道做卷积操作！
例子如下：
（1）使用传统卷积，输入：H*W*C_in，最终输出h*w*C_out：卷积核尺寸为K*K*C_in*C_out，则参数量=K*K*C_in*C_out，计算量=K*K*h*w*C_in*C_out;
（2）使用depth wise cnn（一般还要加上1*1卷积），输入：H*W*C_in，最终输出h*w*C_out：首先是depth wise cnn，卷积核尺寸为K*K*C_in，该层的参数量=K*K*C_in，计算量=h*w*K*K*C_in，经过它的输出为h*w*C_in；然后是1*1卷积层，卷积核尺寸为1*1*C_in*C_out，该层参数量=1*1*C_in*C_out，计算量=h*w*C_in*C_out；综上，总的参数量=K*K*C_in + C_in*C_out，总的计算量=K*K*h*w*C_in + h*w*C_in*C_out。
然后我们来做比较：
参数量：(K*K + C_out) * C_in < K*K*C_out*C_in，即depth wise cnn具有更小的参数量；
计算量：(K*K + C_out)*h*w*C_in < K*K*C_out*h*w*C_in，即depth wise cnn具有更小的计算量；
综上，depth wise cnn相比较于传统cnn，参数量和计算量都更小，且模型表达能力在检测领域可以达到传统cnn一样的水平，所以广泛用于移动端或者对实时性要求较高的场景中；