写的很清楚，Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution

https://blog.csdn.net/blogshinelee/article/details/86094419#Group_Convolution_17 源地址

原

Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution

2019年01月09日 10:57:30 李拜六不开鑫 阅读数：518

																														</div>
			<div class="operating">
								</div>
		</div>
	</div>
</div>
<article class="baidu_pl">
	<div id="article_content" class="article_content clearfix csdn-tracking-statistics" data-pid="blog" data-mod="popu_307" data-dsm="post">
							<div class="article-copyright">
              					
				版权声明：本文为博主原创文章，未经博主允许不得转载。					https://blog.csdn.net/firelx/article/details/86094419				</div>
							<link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
							            <div id="content_views" class="markdown_views prism-atom-one-light">
						<!-- flowchart 箭头图标 勿删 -->
						<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg>
						<p>博客：<a href="https://blog.shinelee.me/" rel="nofollow" target="_blank">blog.shinelee.me</a> | <a href="https://www.cnblogs.com/shine-lee/" rel="nofollow" target="_blank">博客园</a> | <a href="https://blog.csdn.net/blogshinelee" rel="nofollow" target="_blank">CSDN</a></p>

写在前面

Group Convolution分组卷积，最早见于AlexNet——2012年Imagenet的冠军方法，Group Convolution被用来切分网络，使其在2个GPU上并行运行，AlexNet网络结构如下：

Convolution VS Group Convolution

在介绍Group Convolution前，先回顾下常规卷积是怎么做的，具体可以参见博文《卷积神经网络之卷积计算、作用与思想》。如果输入feature map尺寸为 $C∗H∗WC∗H∗W C*H*W$C的向量，此时称之为Global Depthwise Convolution（GDC），见MobileFaceNet，可以看成是全局加权池化，与 Global Average Pooling（GAP） 的不同之处在于，GDC 给每个位置赋予了可学习的权重（对于已对齐的图像这很有效，比如人脸，中心位置和边界位置的权重自然应该不同），而GAP每个位置的权重相同，全局取个平均，如下图所示：

以上。

参考

• A Tutorial on Filter Groups (Grouped Convolution)
• Interleaved Group Convolutions for Deep Neural Networks

        </div>
					<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-258a4616f7.css" rel="stylesheet">
                  </div>
</article>