分组卷积 Group Converlution

1、由来和用途

分组卷积最开始被使用在经典入门卷积神经网络AlexNet上，用于解决显存不足的问题。在现在被广泛用于各种轻量化模型中，用于减少运算量和参数量，其中应用最广的就是深度可分离卷积。

2、常规卷积和分组卷积的区别

现在我们编写代码时，在PyTorch中常常要处理的数据维度就是（Batch,Channel, Height, Width），简写（B,C,H,W）。

以下图可以说很直观了，相同颜色的卷积核只负责和它相同颜色的featuremap.
在这里插入图片描述

2.1、常规卷积：

在这里插入图片描述

常规卷积的运算量：

卷积核的运算量应该由乘法和加法两部分组成, 也就是乘加次数MAC（Multiply
Accumulate)）需要计算乘法和加法两种操作的计算次数。
一个卷积核在某一像素点上的运算量是：

常规卷积的参数量：

在这里插入图片描述

# 在Jupyter运行下面代码
from torch import nn
cnn = nn.Conv2d(2, 3, 3, 1, 1, bias=True)

print(f"{cnn.weight.shape=}")
#  cnn.weight.shape=torch.Size([3, 2, 3, 3]), 表示三个卷积核，每个卷积核2个通道，每个通道掩膜大小为3x3

print(f"{cnn.bias.shape=}")
#  cnn.bias.shape=torch.Size([3])， 表示三个卷积核有三个偏置bias，并不是每个卷积核每个通道一个bias

2.2、分组卷积：

在这里插入图片描述

3、分组卷积的作用

在这里插入图片描述

4、深度可分离卷积

总结:先做分组卷积，再做1 x 1卷积

分组卷积，g = in = out,此时每个卷积核只负责一个通道，生成的特征图之间不存在信息交换(即在通道维度不存在信息交换)
1 x 1卷积，用来实现通道件的信息交换，但在空间层面上缺少信息交流。可以使用 torch.nn.Conv2d() 中的卷积组参数groups，来实现深度可分离卷积。groups 参数是用于控制输入和输出的连接的，表示要分的组数(in_channels 和out_channels 都必须能被 groups 参数整除)。例如：

1.当 groups =1 (默认值)时，就是同普通的卷积；
2.当 groups=n 时，相当于把原来的卷积分成 n 组，每组 in_channels/n 的输入与 out_channels/n 个 kernel_size x kernel_size x in_channels/n的卷积核卷积，生成 out_channels/n 的输出
，然后将各组输出连接起来，形成完整的 out_channels 的输出；
3.当 groups = in_channels 时，每个输入通道都只跟 out_channels/in_channels 个卷积核卷积； out_channels = in_channels 时就是 Depthwise 卷积。

在这里插入图片描述

深度可分离卷积代码

import torch
from torchsummary import summary

class myGroupConv(torch.nn.Module):
    def __init__(self):
        super(myGroupConv, self).__init__()
        self.conv2d = torch.nn.Conv2d(in_channels=4,
                                      out_channels=8,
                                      kernel_size=3,
                                      stride=1,
                                      padding=1,
                                      groups=1,
                                      bias=False)
        self.relu = torch.nn.ReLU()

    def forward(self, x):
        x = self.conv2d(x)
        x = self.relu(x)

        return x


# 先做分组卷积再做1x1卷积提取通道之间的信息通信
class depthwise_separable_conv(torch.nn.Module):
    def __init__(self, ch_in, ch_out):
        super(depthwise_separable_conv, self).__init__()
        self.ch_in = ch_in
        self.ch_out = ch_out
        self.depth_conv = torch.nn.Conv2d(ch_in, ch_in, kernel_size=3, padding=1, groups=ch_in, bias=False)
        self.point_conv = torch.nn.Conv2d(ch_in, ch_out, kernel_size=1, bias=False)

    def forward(self, x):
        x = self.depth_conv(x)
        x = self.point_conv(x)
        return x

class mydspConv(torch.nn.Module):
    def __init__(self):
        super(mydspConv, self).__init__()
        self.conv2d = depthwise_separable_conv(4, 8)
        self.relu = torch.nn.ReLU()

    def forward(self, x):
        x = self.conv2d(x)
        x = self.relu(x)

        return x

device = torch.device("cuda" )
model_1 = myGroupConv().to(device)
summary(model_1, (4, 3, 3))

model_2 = mydspConv().to(device)
summary(model_2, (4, 3, 3))

输出:
在这里插入图片描述

说明：
输入尺寸：3x3x4
输出尺寸：3x3x8

常规卷积，group=1，参数量：3x3x4x8=288；测试代码中偏置设为False，所以不加上偏置的参数量，若设为true，则参数量还需要加上等于输出通道个数的偏执量的个数，等于296；

深度可分离卷积：
逐通道卷积：groups=输入通道数，输出通道数=输入通道数，kernel_size=3，每一个卷积核只在一个通道上进行卷积，其参数量=3×3×4=36
逐点卷积：kernel_size=1， 其参数量=1×1×4×8=32；
总参数量=36 + 32 = 68