本文详细介绍了GroupConvolution（分组卷积），一种用于减少神经网络参数量的技术，最早出现在2012年的AlexNet中。分组卷积通过将输入特征图分组，并在各组内独立进行卷积操作，有效减少了计算资源的需求，同时在某些情况下还能提高模型的性能。
Group Convolution分组卷积
最早见于AlexNet——2012年Imagenet的冠军方法，Group Convolution被用来切分网络，使其在2个GPU上并行运行，AlexNet网络结构如下：
Group Convolution 原理
如果输入feature map尺寸为C∗H∗WC*H*WC∗H∗W，卷积核有N个，输出feature map与卷积核的数量相同也是N，每个卷积核的尺寸为C∗K∗KC*K*KC∗K∗K，N个卷积核的总参数量为N∗C∗K∗KN*C*K*KN∗C∗K∗K。如下图所示，传统卷积方法和分组卷积方法。
Group Convolution，则是对输入feature map进行分组，然后每组分别卷积。其实也就是，原本应该是C∗H∗WC*H*WC∗H∗W 的图片，用N个传统的卷积核C∗K∗KC*K*K
最低0.47元/天 解锁文章
扫一扫
2831
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
