0、前言
首先看普通卷积，用pytorch定义为：
nn.Conv2d(in_channels=3,
out_channels=4,
kernel_size=3)
它可以抽象表示为，堆叠体就是一个卷积核，和上图是对应的：
1、组卷积
分组卷积鼎鼎大名，不多介绍了，首先从下图来看下普通卷积和分组卷积的区别（左图是普通卷积，右图是分组卷积）
无论哪一种卷积，输入特征图都是12通道，输入通道图都是6通道，只不过中间运算过程不一样。
图中画的小堆叠块每一个就是一个卷积核，比如普通卷积，输入是12通道，那么一个卷积核的尺寸就是 (12,k_size,k_size)，这样一个卷积核和输入做运算得到一个特征图。我们要的是6输出通道，所以总共有6个这样的卷积核，总尺寸就是 (6,12,k_size,k_size)。
实际上无论普通卷积还是分组卷积，卷积核的数量是没有变的，只不过分组卷积的卷积核的尺寸变小了。
可以认为分组卷积就是把普通卷积的每个卷积核砍掉了，砍成小卷积核了。
比如深度可分离卷积中的depthwise卷积，就是组数=输入通道=输出通道的分组卷积，把本来 (3,3,3)的卷积核砍成 (1,3,3)，也即是把每个3通道的卷积核砍成1通道的卷积核，但是卷积核的数量还是3个。
; 2、Pytorch的实现
pytorch中conv2的提供了group参数，需要注意的是，从上上图可以看出，分组卷积是将输入特征图和输出特征图都分成了n组，也就是输出通道数和输入通道数都要能被分为n组，否则就要报错。
对于上上图的分组我们使用pytorch实现：
nn.Conv2d(in_channels=12,
out_channels=6,
kernel_size=3,
groups=3)
对于上图（depthwise卷积），我们使用pytorch实现：
nn.Conv2d(in_channels=3,
out_channels=3,
kernel_size=3,
groups=3)
实际上depthwise卷积就是分组数=输入通道数=输出通道数的特殊分组卷积
参考
分组卷积 Group Converlution
Depthwise卷积与Pointwise卷积
Original: https://blog.csdn.net/qq_40243750/article/details/125958963
Author: 我是一个对称矩阵
Title: 分组卷积（Group Converlution）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/689894/
转载文章受原作者版权保护。转载请注明原作者出处！