group convolution

分组卷积（Group Convolution）起源于2012年的AlexNet，它是一种将输入的特征图分成多个组进行卷积操作的方法。分组卷积的主要目的是为了减少计算量和模型参数的数量。在分组卷积中，输入的特征图被分成若干组，每组都有一组权重和一个偏置项。每个组分别进行卷积操作，然后将各个组的输出进行串联，得到最终的输出特征图。

使用分组卷积可以在一定程度上提高计算效率和模型的表达能力。通过将输入特征图分成多个组，每个组都有自己的权重和偏置项，可以使每个组之间的计算可以并行进行，从而加快了计算速度。另外，通过使用分组卷积，可以减少模型的参数量，降低过拟合的风险。

在PyTorch中，可以通过设置nn.Conv2d的参数groups来实现分组卷积。通过设置groups参数为一个正整数，可以指定将输入的特征图分成多少组进行卷积操作。

相关问题

multiscale convolution group

引用\[2\]中提到了多尺度卷积组（multiscale convolution group）。多尺度卷积组是一种在图像去噪算法中使用的技术。它基于扩张卷积（dilated convolution）和残差网络（ResNet）的思想，通过在不同尺度上进行卷积操作来提取图像的多尺度特征。这种方法可以有效地捕捉图像中的细节信息，并在去噪过程中保持图像的细节和纹理。\[2\]
#### 引用[.reference_title]
- *1* *2* *3* [Jan. 14 - Jan. 25th 2019 two weeks paper reading](https://blog.csdn.net/weixin_39434589/article/details/86618381)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]

group-wise convolution

Group-wise convolution（群卷积或分组卷积）是一种卷积方法，它将输入的特征图在通道维度上进行分组，然后对每个分组分别进行卷积操作。这种方法可以减少计算量，并且在一定程度上提高模型的表达能力。在group-wise convolution中，输入特征图被分为多个子组，每个子组包含一部分输入特征图的通道。然后，对每个子组分别使用卷积核进行卷积操作，得到对应的输出子组。最后，将所有输出子组合并得到最终的输出特征图。这种方法通常用于深度卷积神经网络中，可以提升模型的参数效率和计算效率。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [深度学习之各种类型的卷积运算](https://blog.csdn.net/DreamHome_S/article/details/85233173)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *3* [group convolution (分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise ...](https://blog.csdn.net/weixin_46838716/article/details/125649148)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]