分组卷积的由来

分组卷积最早开始于AlexNet，主要为了解决单个GPU无法处理含有大量计算量和存储需求的卷积层这个问题。目前，分组卷积多被用于构建用于移动设备的轻量级网络模型。例如深度可分离卷积。

 pytorch中的使用方法

Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

Args:
    in_channels (int): Number of channels in the input image
    out_channels (int): Number of channels produced by the convolution
    kernel_size (int or tuple): Size of the convolving kernel
    stride (int or tuple, optional): Stride of the convolution. Default: 1
    padding (int, tuple or str, optional): Padding added to all four sides of
        the input. Default: 0
    padding_mode (string, optional): ``'zeros'``, ``'reflect'``,
        ``'replicate'`` or ``'circular'``. Default: ``'zeros'``
    dilation (int or tuple, optional): Spacing between kernel elements. Default: 1
    groups (int, optional): Number of blocked connections from input
        channels to output channels. Default: 1
    bias (bool, optional): If ``True``, adds a learnable bias to the
        output. Default: ``True``

卷积参数量的计算公式是：（输入通道数 * 输出通道数 * k^2 ）/ groups

常规卷积

分两组时

分四组时

以上都是均匀分组。每个组内部和常规卷积一样，组间的特征图不可见。分组卷积可以减少参数量。

深度可分离卷积

深度可分离卷积可以分为深度卷积和逐点卷积。

深度卷积

深度卷积其实就是一种特殊的分组卷积，它的组数等于输入的特征数，即每一组都只有一个卷积核。

Depthwise Convolution完成后的Feature map数量与输入层的depth相同，但是这种运算对输入层的每个channel独立进行卷积运算后就结束了，没有有效的利用不同map在相同空间位置上的信息。因此需要增加另外一步操作来将这些map进行组合生成新的Feature map，即接下来的Pointwise Convolution

逐点卷积

逐点卷积就是卷积核大小为1*1的卷积核。

参考文献：

分组卷积和深度可分离卷积 - 颀周 - 博客园 (cnblogs.com)

卷积神经网络中的Separable Convolution (yinguobing.com)