torch里的分组卷积

大家好，欢迎来到IT知识分享网。

普通卷积

如果输入特征的通道是 32，希望输出特征的通道是 64，对于 3*3 的普通卷积来说，卷积层设置为：

conv = torch.nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3)

我们查看卷积核的参数量

print(conv.weight.shape) # torch.size([64,32,3,3])

所以普通卷积的参数量是 64 $\times$ 32 $\times$ 3 $\times$ 3 = 18432 个参数

分组卷积

同样输入特征的通道是 32，希望输出特征的通道是 64，如果使用分组卷积，卷积层设置为：

conv = torch.nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, groups=8)

我们查看卷积核的参数量

print(conv.weight.shape) # torch.size([64,4,3,3]) 这里 4 表示 in_channels/groups = 4

所以分组卷积的参数量是 64 $\times$ 4 $\times$ 3 $\times$ 3 = 2304 个参数, 同样的输出通道，参数减小了8倍

为了达到同样的输出效果，分组卷积的做法是:

• 把32个输入通道分为8组，每组4个通道
• 把64$\times$ 4$\times$ 3$\times$ 3卷积核分为8组，每组参数量是 8 $\times$ 4 $\times$ 3 $\times$ 3
• 这样8组输入和8组卷积核一一对应做普通卷积，就可以得到8组输出通道为8的输出特征，将8组输出结果拼接在一起，就可以得到64个通道的输出结果