分组卷积

  分组卷积在AlexNet中提到，下面是AlexNet前两层的卷积，其中第一层没有使用分组卷积，第二层使用了分组卷积。
  在进行分析之前，先插入一个知识点“卷积/池化之后的维度计算”

输入：[in_hight, in_width, in_channal]

卷积操作：
 卷积核：[filter_height,filter_width, in_channel, out_channel]
 步长：strides=[1, stride[1], stride[2], 1]
 padding ： SAME 或者 VALID
池化操作：
 池化核： ksize=[1, filter_height, filter_width, 1]
 步长：strides=[1, stride[1], stride[2], 1]
 padding ： SAME 或者 VALID
输出：[out_hight, out_width, out_channal]


 上面是卷积和池化过程中要用到的参数形式，不管是池化还是卷积，其计算之后的height和width维度计算都遵循下面的式子：
当padding为SAME时：
$$out\_height=\frac{in\_hight}{stride[1]}$$
o u t _ w i d t h = i n _ w i d t h s t r i d e [ 2