group convolution (分组卷积)详解

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。