【无标题】

shufflenet

分组卷积

「左图普通卷积输入特征图个数为12，采用了6个卷积核对输入图像进行卷积，得到了6个输出的特征图；右图分组卷积输入特征图的个数也是12，但其将12个特征图分成了3组（红、绿、黄），每组有4个特征图，这时同样需要6个卷积核，但需要注意的是这6个卷积核也被分成3组，即两两一组。然后将每组的输入特征图和对应的两个卷积核进行卷积，这时每组都会产生2个特征图，一共也会有6个输出特征图。」【注意：虽然普通卷积核分组卷积都需要6个卷积核，但他们卷积核的通道数是不一样的，对本列来说，普通卷积的卷积核通道数为12，而分组卷积的卷积核通道数为4。】

所以，filters numbers和input channels都需要能被groups整除。

计算参数量和计算量的：

神经网络参数量、计算量（FLOPS）、内存访问量（AMC）计算详解）【注意：这里假设卷积核大小为K*k，输出特征图大小为H*W】

逐点分组卷积：逐点分组卷积就是将分组卷积核逐点卷积相结合，即表示卷积核大小为1*1的分组卷积。

通道重排(channel shuffle)

可以看到，不同组之间是没有任何联系的，即得到的特征图只和对应组别的输入有关系。论文中也有这样的描述，这种分组因不同组之间没有任何联系，学习到的特征会非常有限，也很容易导致信息丢失，因此论文提出了channel shuffle。

从绿框转变成黄色虚线框的过程即为channel shaffle通道重排过程，现将其分解出来，看看channel shaffle通道重排具体过程，如下图：

intra-channel partitioning

• (b) 2-D grid partition：在2D网格划分中，将输入特征图按二维（通常是宽和高）分割成多个块，然后对每个块进行卷积操作。每个局部区域的特征被独立计算，类似于将整个特征图分成多个小块，每个小块单独做卷积。这种方法可以减少计算量或内存占用，适合分布式或并行计算场景。

• (c) 1-D grid partition：在1D网格划分中，仅沿一个维度（例如高度或宽度）分割输入特征图，然后进行卷积操作。这可以看作是将特征图分成几行或几列的块，然后分别处理。相比2D划分，1D划分的计算量稍少，计算方式更简单，适合一些特定场景