从理论到实践谈谈分组卷积（Group Convolution）与深度卷积（Depthwise Convolution）之间的联系

一、分组卷积

在各种卷积方式汇总的文章中详细描述了分组卷积相关内容及实现方式：https://blog.csdn.net/qq_43665602/article/details/126708012
此处粗略复习一下：在进行标准卷积时，通常采用多组过滤器得到期望的输出，而每个过滤器都使用与输入特征通道数相同的多个卷积核叠加构成。而对于分组卷积，我们通过对输入的通道进行划分实现多分支特征学习，最后将所有分支提取的特征进行级联得到最后的输出。比如，输入特征为（10,7，7），采用大小为（3,3）的卷积核，期望得到大小为（20，5,5）的输出：

1）对于标准卷积而言，在此过程中，一共采用20组过滤器进行特征提取，而每个过滤器是由10个（3,3）卷积核叠加而成，每个过滤器得到一个（5,5）的单通道输出，20组过滤器则得到最后的（20，5,5）输出。

2）对于分组卷积而言，此处我设置分组大小为groups=2，则表示将输入沿着通道划分为两组（5,7