笔者在阅读论文的过程中，发现论文中经常会涉及到一些经典的神经网络结构，尽管这些结构可能出现的时间，但是生生不息，经历住了时间的考验。在这个系列文章中，我将对那些经典的网络分别做一个简单介绍。
作为这个系列文章的第一篇文章，本文首先要介绍的是 Group convolution这个结构。
Group Convolution简介
Group Convolution，即分组卷积（也被译为群卷积），是由Alexnet首先提出来的。当时的设备硬件资源有限，研究人员为了解决现存不够的问题，把网络在两个GPU上进行训练，然后将训练得到的结果进行融合即得到最终的结果。
除了可以解决显存不足的问题之外，文章的作者Alex还认为用这种方法还可以增加卷积核之间的对角相关性，而且能够减少训练过程的冗余参数，不容易过拟合，这类似于正则的效果。
Group Convolution与传统卷积的对比
从下图中我们可以发现，对于输入的数据，传统卷积对所有的数据统一进行计算。在下图中的输入数据大小为 ，卷积核大小为 ,共有 ,则在经过卷积之后，我们得到的特征图大小为 。这个过程可以很好的完成图像特征的提取任务，但是所有的数据同时完成，对显存的要求比较高。
在Group Convolution中，我们并不是一次性对输入数据进行处理，而是将其分成了g类。如果上一层的输出feature map有C1个，即通道数channel=C1时，经过Group Convolution后每g个通道被合成为一个group，一共分成C1/g个channel，这些channel之间独立连接，等个股group都卷积完成之后再把输出concatenate在一起，生成这个层的最终输出结果（channel）
如下图是一个群卷积的CNN结构。filters被分成了两个group。每一个group都只有原来一半的feature map。
Group convolution的作用
总结来看，Group convolution一方面可以减小显存的工作压力，另一方面可以减少冗余参数，防止模型过拟合。
单纯增加卷积核输入可以在一定程度上提高效果，但是卷积核数目过多时，冗余参数过多会导致过拟合，运用Group convolution之后，每组的卷积核提取的特征相似度比较低，大大减轻冗余现象。当然，
当然，Group convolution本身就极大地减少了参数。比如当输入通道为256，输出通道也为256，kernel size为3×3，不做Group convolution参数为256×3×3×256。实施分组卷积时，若group为8，每个group的input channel和output channel均为32，参数为8×32×3×3×32，是原来的八分之一。而Group convolution最后每一组输出的feature maps应该是以concatenate的方式组合。