通俗理解分组卷积

顾名思义

分组卷积（Group Convolution）顾名思义，在对特征图进行卷积的时候，首先对特征图分组再卷积。如下图所示：

这样做有啥作用呢？

1. 减少参数量，分成G组，则该层的参数量减为原来的1/G。
   feature map尺寸为CiHW，常规卷积的参数量是Ci*H*W*Co；
   分G组的分组卷积参数量是(Ci/G)*H*W*(Co/G)*G=(Ci*H*W*Co)/G；可以自己举一个简单的例子试一试。
2. 分组卷积可以看做是对原来的特征图进行了一个dropout，有正则的效果。
3. 如果分组的数量等于特征图通道的的数量，这样卷积就是在二维的平面进行，一个卷积核对应一个通道，这样就变成深度可分离卷积（Depthwise Convolution），见MobileNet和Xception等，参数量进一步缩减。
4. 更进一步，如果在上一步的基础上将卷积核的大小设置为和特征图一样大，此时称为全局深度可分离卷积（Global Depthwise Convolution），见MobileFaceNet；可以看成全局加权池化（可以代替全连接层，并且相较于全连接层，有少参数、防过拟合优点）

参考

Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution