之間看分組卷積示意圖。
不分組：
分兩組：
分四組：
以此類推。當然，以上都是均勻分組的，不均分也是可以的。至於分組卷積有什麼好處，很明顯，可以節省參數量。假設不使用分組時，卷積核的參數量為：
$n = k^2c_1c_2$
其中$k,c_1,c_2$分別表示卷積核寬度，輸入通道數，輸出通道數。如果使用分組卷積，分為$m$組，則卷積核參數量為：
$\displaystyle n = mk^2\frac\frac = \frac$
也就是說分幾組，參數量就為原來的幾分之幾。當然偏置值是不會被節省的，都是$c_2$個。分組卷積時，每個分組對其它分組的特徵圖不可見，這實際上就等價於把網路進行分支，也就是把輸入的特徵圖以通道維度拆開來分別進行卷積，然後再將卷積結果拼接起來。分幾組就等於分幾個支。
分組卷積.ppt
深度可分離卷積(depthwise separable convolution)分為深度卷積(depth-wise convolution)和逐點卷積(point-wise convolution)兩步：
1、深度卷積就是把$h\times w\times c$的特徵圖$f$以通道維度分開，得到$c$個$h\times w\times 1$的特徵圖，然後使用$c$個$k\times k \times 1\times 1$的卷積核分別對這$c$個特徵圖進行卷積，得到$c$個$h'\times w'\times 1$的特徵圖，最後將他們按原來的順序連線起來得到$h'\times w'\times c$的特徵圖$f'$。
2、逐點卷積就是用$1\times 1\times c\times c_1$的卷積對$f'$進行卷積，得到$h'\times w'\times c_1$的最終結果。
其中深度卷積不使用偏執值，逐點卷積使用了偏執值。整個流程圖如下：
根據以上流程，可以計算出深度可分離卷積所需的參數量為(加的1為偏執值參數量)：
$n = k^2c+(c+1)c_1$
分組卷積和深度可分離卷積
之間看分組卷積示意圖。不分組 分兩組 分四組 以此類推。當然，以上都是均勻分組的，不均分也是可以的。至於分組卷積有什麼好處，很明顯，可以節省參數量。假設不使用分組時，卷積核的參數量為 n k 2c 1c 2 其中 k,c 1,c 2 分別表示卷積核寬度，輸入通道數，輸出通道數。如果使用分組卷積，分為...
深度可分離卷積
下面這個文章介紹了深度可分離卷積是怎麼做的 本文的很多內容都是在這兩個文章的基礎上整理的。卷積基礎 描述乙個二維矩陣，使用row col。三維的，使用channel row col。四維則多了乙個引數 batch channel row col。batch channel row col的邏輯順序則...
深度可分離卷積
如果乙個卷積核代表乙個影象的屬性的話，上圖的方法就只能提取到乙個屬性。那麼如果想要多個屬性就需要多個卷積核 上圖中是最常見的卷積方法，使用多個卷積核來提取多個屬性。但是存在引數量過大的情況 先用三個卷積核對三個通道分別卷積，再對得到的結果進行1x1的卷積，這時候只要增加1 1卷積核的個數就能對應的增...