groupwise Convolution

Groupwise Convolution，也称为分组卷积（Grouped Convolution），是一种深度学习中的卷积操作扩展，主要用于卷积神经网络（Convolutional Neural Networks, CNN）中，特别是当处理非常深的网络或输入数据具有高维特征时。

在传统的卷积中，每个滤波器（filter）都会遍历整个输入通道（channels），提取特征。而在分组卷积中，我们将输入通道分成多个组，每个滤波器只在一组通道上进行卷积操作，这样可以显著增加模型参数的效率和计算资源的使用。每组的输出会被连接起来，形成最终的特征图。

好处包括：
1. 参数共享：每个滤波器可以在不同的通道组内重复使用，减少参数量。
2. 计算效率：减少了跨通道的计算，有利于硬件加速。
3. 模块化：有助于更好地理解和训练深层网络，因为每个组可以独立地学习和更新。

应用上，它常用于ResNet、DenseNet等深度网络架构中，特别是在需要保持模型深度的同时控制计算复杂度的场景。