参考博主：https://blog.csdn.net/mao_xiao_feng/article/details/78003476
首先介绍一下函数的参数列表：

tf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,data_format=None)

除去name参数用以指定该操作的name，data_format指定数据格式，其他共有5个参数
input： 指需要做卷积的输入图像，要求是一个4维Tensor，具有[batch, height, width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]
filter： 相当于CNN中的卷积核，要求是一个4维Tensor，具有[filter_height, filter_width, in_channels, channel_multiplier]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，输入通道数，输出卷积乘子]，同理这里第三维in_channels，就是参数value的第四维
strides： 卷积的滑动步长。
padding： string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同边缘填充方式。
rate:空洞卷积,mobile里面用[1,1]
结果返回一个Tensor，shape为[batch, out_height, out_width, in_channels * channel_multiplier]，注意这里输出通道变成了in_channels * channel_multiplier

实验代码

import tensorflow as tf

img1 = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
print(img1)
img2 = tf.constant(value=[[[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]]]],dtype=tf.float32)
print(img2)
img = tf.concat(values=[img1,img2],axis=3)
print(img)

filter1 = tf.constant(value=0, shape=[3,3,1,1],dtype=tf.float32)
print(filter1)
filter2 = tf.constant(value=1, shape=[3,3,1,1],dtype=tf.float32)
print(filter2)
filter3 = tf.constant(value=2, shape=[3,3,1,1],dtype=tf.float32)
print(filter3)
filter4 = tf.constant(value=3, shape=[3,3,1,1],dtype=tf.float32)
print(filter4)
filter_out1 = tf.concat(values=[filter1,filter2],axis=2)
print(filter_out1)
filter_out2 = tf.concat(values=[filter3,filter4],axis=2)
print(filter_out2)
filter = tf.concat(values=[filter_out1,filter_out2],axis=3)
print(filter)

out_img = tf.nn.conv2d(input=img, filter=filter, strides=[1,1,1,1], padding='VALID')
print(out_img)
out_img = tf.nn.depthwise_conv2d(input=img, filter=filter, strides=[1,1,1,1], rate=[1,1], padding='VALID')
print(out_img)

sess = tf.Session()
print(sess.run(out_img))

输出结果：

Tensor("Const:0", shape=(1, 4, 4, 1), dtype=float32)
Tensor("Const_1:0", shape=(1, 4, 4, 1), dtype=float32)
Tensor("concat:0", shape=(1, 4, 4, 2), dtype=float32)
Tensor("Const_2:0", shape=(3, 3, 1, 1), dtype=float32)
Tensor("Const_3:0", shape=(3, 3, 1, 1), dtype=float32)
Tensor("Const_4:0", shape=(3, 3, 1, 1), dtype=float32)
Tensor("Const_5:0", shape=(3, 3, 1, 1), dtype=float32)
Tensor("concat_1:0", shape=(3, 3, 2, 1), dtype=float32)
Tensor("concat_2:0", shape=(3, 3, 2, 1), dtype=float32)
Tensor("concat_3:0", shape=(3, 3, 2, 2), dtype=float32)
Tensor("Conv2D:0", shape=(1, 2, 2, 2), dtype=float32)
Tensor("depthwise:0", shape=(1, 2, 2, 4), dtype=float32)
[[[[ 0. 36. 9. 27.] [ 0. 54. 9. 27.]] [[ 0. 36. 9. 27.] [ 0. 54. 9. 27.]]]]

这里把原博主的图借用一下，方便自己以后忘记再理解

上面是普通的卷积。

下面来看深度卷积：