如题所述
第1个回答 2022-06-02
参数量
运算量 ,这里只考虑浮点乘数量,不考虑浮点加。
输入每组feature map尺寸: ,共有 组;
单个卷积核每组的尺寸: ,一个卷积核被分成了 组;
输出feature map尺寸: ,共生成 个feature map。
现在我们再来计算一下分组卷积时的参数量和运算量:
参数量
运算量
所以group conv常用在轻量型高效网络中,因为它用少量的参数量和运算量就能生成大量的feature map,大量的feature map意味着能够编码更多的信息!
从分组卷积的角度来看,分组数 就像一个控制旋钮,最小值是1,此时 的卷积就是普通卷积;最大值是输入feature map的通道数 ,此时 的卷积就是 depthwise sepereable convolution ,即深度分离卷积,又叫逐通道卷积。