group wise convlution

group wise convolution（分组卷积）是一种在卷积神经网络中常用的技术。在分组卷积中，输入通道被分为多个组，并对每个组应用一个独立的卷积操作。这样可以减少参数的数量，并且可以在一定程度上提高计算效率。分组卷积的本质与普通的卷积操作相同，只是在通道层面上进行了分组处理。

通过设置分组数（groups）参数，可以控制每个组的通道数量。例如，如果将分组数设置为输入通道数，即每个组的通道数量为1，那么分组卷积就等同于普通的卷积操作。而如果将分组数设置为输入通道数的一半，那么每个组的通道数量就是输入通道数的一半，这样就实现了深度可分离卷积。

在代码中，可以通过设置nn.Conv2d()函数的groups参数来实现分组卷积。例如：

conv2d_group = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, padding=1, stride=1, groups=2)

这样就创建了一个分组卷积层，其中输入通道数为64，输出通道数为128，分组数为2。对输入数据进行分组卷积后，输出的特征图大小与普通卷积相同。

分组卷积在一些特定的场景下可以带来一定的性能提升，尤其是在深层网络中。然而，它并不适用于所有的任务和网络结构，需要根据具体的情况进行选择和调整。