深度学习基础--卷积--group conv

最新推荐文章于 2025-08-16 18:05:02 发布
原创 最新推荐文章于 2025-08-16 18:05:02 发布 · 1.4k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了分组卷积(groupconv)在深度学习领域的应用,特别是在Xception、ResNext、Mobilenet、shufflenet等模型中的重要作用。通过分组卷积,可以更有效地学习特定的特征,如人脸的五官,实现特征的局部共享。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

group conv

  在Xception、ResNext、Mobilenet、shufflenet中都有。

作用

  group convolution还是很有用的，比如训练人脸的五官，五个是不同的东西，特征不同，分5个group就可以分开学，相当方便。
  实现locally share的convolution layer的时候能用上。

YOLOv10改进系列 ---- Conv篇 ---- ODConv卷积助力极限涨点
m0_58941767的博客
02-20 1424
这篇文章给大家带来的是发表于2022年的ODConv(Omni-Dimensional Dynamic Convolution)中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块，在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家，该卷积模块主要具有更小的计算量和更高的精度，其中添加ODConv。
【YOLOv8改进-卷积Conv】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-05 1507
CNN架构通常对内存和计算资源的要求较高，这使得它们在硬件资源有限的嵌入式系统中难以实现。我们提出了一种用于构建轻量级深度神经网络的双卷积核（DualConv）方法。DualConv结合了3×33 \times 33×3和1×11 \times 11×1的卷积核，同时处理相同的输入特征图通道，并利用组卷积技术高效地排列卷积滤波器。DualConv可以应用于任何CNN模型，例如用于图像分类的VGG-16和ResNet-50，用于目标检测的YOLO和R-CNN，或用于语义分割的FCN。
分组卷积：Grouped convolution
人生当苦无妨
02-06 7083
参考：A Tutorial on Filter Groups (Grouped Convolution) 分组卷积最早出现在AlexNet中，当时硬件资源有限，训练时卷积操作不能全部放在同一个GPU中运算，因此作者在2个GPU上运行，把feature maps分给这两个GPU分别进行处理，最后把这两个GPU的结果进行concatenate，作为一层的output。 直到2016年Deep Ro...
Group 卷积
@bangbang的博客
07-16 520
PyTorch中若想使用分组卷积，只需要在nn.Conv2d网络结构定义时指定groups即可。
group卷积
u010848594的博客
06-06 352
平常的卷积默认不带有group卷积，或者是group为1，带有group以后，对于输出tensor不再依赖完整的输入了，而只依赖所在分组的输入，这样便可以将原本的计算量压缩到原来的group分之1，但是带来的缺陷是卷积输入信息不完整了，做group相对于不做group会获取更少的信息，特征就没那么丰富了，为了弥补这个，我们可以在后续接上1*1的group=1的卷积做group间的信息交流，这样的话，原本的一个卷积的计算量假如是X(假设原本为3*3的卷积)，使用group后计算量降为X/group，接下来需要
卷积操作中的group
小幸运
03-13 2315
group参数，其意思是将对应的输入通道与输出通道数进行分组卷积处理, 默认值为1。 比如输入数据为B*Cin*H*W, 卷积核配置为 Cout 3*3 group： group=1，即我们常用的全连接的卷积，对输入的全部Cin个通道与输出的Cout通道全卷积 group=2，将输入的Cin通道分成2个（Cin/2）通道，输出的Cout通道分成2个（Cout/2）通道；第一个Cin/2通道...
【深度学习】Group Convolution分组卷积、Depthwise Convolution和Global Depthwise Convolution
chen1234520nnn的博客
08-26 1万+
目录 1. 分组卷积(Group Convolution) 1.1 分组卷积与普通卷积的区别 1.2 分组卷积的用途 2. 深度分离卷积(Depthwise Convolution) 原文链接：https://www.cnblogs.com/shine-lee/p/10243114.html 本文主要介绍减少参数量、计算量的卷积形式： Group Convolution(分组卷积) Depthwise Convolution(深度分离卷积) Global Depthwise Convolu
深度学习基础--卷积的变种
wang6562009的专栏
09-06 1522
卷积变种简介
深度学习-计算机视觉-现代卷积神经网络
最新发布
weixin_74126320的博客
08-16 874
本文系统回顾了卷积神经网络(CNN)的发展历程，重点分析了LeNet、AlexNet、VGG、NIN、GoogLeNet和ResNet等里程碑式模型的创新点和技术特点。AlexNet首次证明深度学习特征优于手工设计特征；VGG通过增加网络深度提升性能；NIN引入1×1卷积和全局平均池化；GoogLeNet提出多尺度特征提取的Inception模块；ResNet通过残差连接解决深度网络训练难题。这些模型在ImageNet等基准测试中不断突破性能极限，推动了计算机视觉技术的快速发展。文章详细阐述了各模型的
AI学习指南深度学习篇-卷积神经网络的结构
俞兆鹏的博客
08-12 905
以上就是关于卷积神经网络的常见结构和特点的介绍。不同的结构在不同的应用场景中有着各自的优势，选择合适的结构对于解决特定问题非常重要。希望本篇博客对于学习和理解卷积神经网络有所帮助，欢迎大家在评论区留言交流讨论。
group convolution (分组卷积)详解
热门推荐
源仔
02-26 2万+
文章目录【普通卷积】【group convolution (分组卷积)】【深度可分离卷积】 【普通卷积】 上图为普通卷积示意图，为方便理解，图中只有一个卷积核，此时输入 输出数据为：输入feature map尺寸：W×H×CW×H×CW×H×C ，分别对应feature map的宽，高，通道数； 单个卷积核尺寸：k×k×Ck×k×Ck×k×C ，分别对应单个卷积核的宽，高，通道数； 输出feature map尺寸 ：W′×H′W'×H'W′×H′ ，输出通道数等于卷积核数量，输出的宽和高与卷积步长有关，
tensorflow中的group conv？
Do not mess it up
09-02 6294
https://github.com/tensorflow/tensorflow/issues/3332 caffe和pytorch都有对应的native API，但是TF貌似并没有，只有depth wise conv 所以现在用TF都是tf.split 和tf.concat https://github.com/tensorflow/tensorflow/issues/3332#issuec...
卷积神经网络group群卷积以及group lasso
weixin_42071277的博客
04-09 4539
一、group（群卷积） group（群卷积）的思想最早出现于Alexnet论文：ImageNet Classification with Deep Convolutional Neural Networks，Alex之所以使用群卷积是因为受当时GTX580 GPU现存的限制，不能使用一块GPU训练网络，所以其将网络拆分为两组分别使用1个GPU训练。 如下所示为一个常规的卷积操作 ...
Group Convolution(分组卷积）
m0_37400316的博客
07-22 250
1、 Group Convolution Convolution VS Group Convolution： 2、depthwise Convolution ----待续 参考文献： https://www.cnblogs.com/shine-lee/p/10243114.html
分组卷积/群卷积（Group Convolution）
SimonChen
10-03 1364
群卷积最早出现于AlexNet中。是为了解决显存不够的问题，将网络部署在两张GTX 580显卡上训练，Alex认为group conv的方式能够增加 filter之间的对角相关性，而且能够减少训练参数，不容易过拟合，这类似于正则的效果。 https://blog.youkuaiyun.com/hhy_csdn/article/details/80030468 ...
【 group convolution (分组卷积)详解】
weixin_49117441的博客
01-23 9141
@[TOC]( group convolution (分组卷积)详解) group convolution (分组卷积)详解 1.普通卷积： 上图为普通卷积示意图，为方便理解，图中只有一个卷积核，此时输入输出数据为： 输入feature map尺寸： W×H×C ，分别对应feature map的宽，高，通道数； 单个卷积核尺寸： k×k×C ，分别对应单个卷积核的宽，高，通道数； 输出feature map尺寸 ：W’×H’ ，输出通道数等于卷积核数量，输出的宽和高与卷积步长有关，这里不关心这两个值
分组卷积（Group Convolution）与深度可分离卷积（Depthwise Separable Convolution）
breeze_blows的博客
08-06 4020
常规卷积 输入input[1, 3, 64, 64], kernel[3, 4, 3, 3], stride=1, padding=0, 输出output[1, 4,
什么是分组卷积、深度可分离卷积?附上深度可分离卷积代码
weixin_43960370的博客
04-22 4490
分组卷积，g = in = out,此时每个卷积核只负责一个通道，生成的特征图之间不存在信息交换(即在通道维度不存在信息交换)1 x 1卷积，用来实现通道件的信息交换，但在空间层面上缺少信息交流。可以使用 torch.nn.Conv2d() 中的卷积组参数groups，来实现深度可分离卷积。groups 参数是用于控制输入和输出的连接的，表示要分的组数(in_channels 和out_channels 都必须能被 groups 参数整除)。
Caffe源码学习系列二----卷积层
Sunshine_in_Moon的专栏
11-30 3184
 本文转自：http://zhangliliang.com/2015/02/11/about-caffe-code-convolutional-layer/ 感谢博主！ 一开始笔者先看了卷积层的梯度传导公式，参考了这两篇： http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/http:
深度学习分组卷积组数的讨论
12-26
### 关于深度学习中分组卷积的组数选择 在设计神经网络架构时，分组卷积的选择是一个重要的决策因素。分组卷积通过将输入通道分成多个独立处理的子集，减少了计算复杂度并增加了特征多样性。 #### 影响分组卷积效果的因素 当决定分组卷积中的组数时，需考虑几个重要因素： - **计算效率**：随着组数增加，每组内的连接数量减少，从而降低了整体计算开销。然而，过多的分组可能导致硬件利用率下降，进而抵消潜在的速度提升[^1]。 - **表达能力**：适当数量的分组能够增强模型捕捉不同模式的能力；但是过度分割可能削弱跨通道交互的学习，影响最终表现[^3]. #### 实践指南 为了找到最优解，在实践中推荐如下策略： - **实验验证**：由于最佳组数值依赖具体应用场景及数据特性，建议基于初步试验确定合理范围，并在此基础上进一步优化调参. - **参考现有成果**：借鉴已发表的研究论文或公开实现方案作为起点，比如ResNeXt提出的cardinality概念，表明特定范围内增大分组数目有助于改进性能而不显著增加额外负担. ```python import torch.nn as nn class GroupConvLayer(nn.Module): def __init__(self, in_channels, out_channels, groups=32): # 默认采用较大group size super(GroupConvLayer, self).__init__() self.conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), groups=groups) def forward(self, x): return self.conv(x) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值