pytorch的conv2d函数groups分组卷积使用及理解

pytorch的conv2d函数groups分组卷积使用及理解

                

'''
    groups:定义为分组：
        计算公司：输出与输入通道同时分为整数的倍数，一一对应卷积。
        表现：
            groups=2:torch.Size([6, 2, 1, 1])
                如果将group=3时，卷积核大小为torch.Size([6, 2, 1, 1])，即6个2*1*1的卷积核，只需要需要6*2*1*1=12个参数
                那么每组计算就只被in_channels/groups=2个channels的卷积核计算，当然这也会将输入分为三份大小为2*H_in*W_in的小输入，
                分别与2*1*1大小的卷积核进行三次运算，然后将得到的3个2*H_out*W_out的小输出concat起来得到最后的6*H_out*W_out输出
            groups=3:torch.Size([6, 3, 1, 1])
            groups=1:torch.Size([6, 6, 1, 1]) 
                当group=1时，该卷积层需要6*6*1*1=36个参数，即需要6个6*1*1的卷积核.
                也就是6个卷积核与6个输入相乘。是6*H_in*W_in的输入整个乘以一个6*1*1的卷积核，乘以6次。
        总结：就是输入，输出的深度同时除以groups。
        效果：在实际实验中，同样的网络结构下，这种分组的卷积效果是好于未分组的卷积的效果的。
        2、为什么要设置groups参数，有什么优点？
            为了在GPU上并行计算：
            普通的