深度可分离卷积只需要一个小的卷积核和一个 $1 times 1$ 的卷积核

深度可分离卷积是一种卷积神经网络中常用的卷积操作，它可以有效地减少模型参数和计算量，从而提高模型的效率和性能。深度可分离卷积分为两个步骤：深度卷积和逐点卷积。

深度卷积是指对输入数据的每个通道分别进行卷积操作，这样可以减少卷积核的大小和计算量。例如，对于一个 $3 \times 3$ 的卷积核和一个 $3$ 通道的输入数据，深度卷积将会产生 $3$ 个 $3 \times 3$ 的卷积结果。

逐点卷积是指对深度卷积的结果进行 $1 \times 1$ 的卷积操作，这样可以将不同通道之间的信息进行交互和整合，从而提高模型的表达能力。例如，对于一个 $3$ 通道的深度卷积结果和一个 $1 \times 1$ 的卷积核，逐点卷积将会产生一个 $1$ 通道的卷积结果。

由于深度可分离卷积只需要一个小的卷积核和一个 $1 \times 1$ 的卷积核，所以它可以大大减少模型的参数和计算量，从而提高模型的效率和性能。在卷积神经网络中，深度可分离卷积通常用于卷积层和特征提取层的设计，可以有效地提高模型的准确率和速度。