1.组卷积
将输入特征矩阵的channel划分为2个组,再对每个组分别进行卷积操作,得到的输出矩阵拼接后,最终矩阵深度也是n
组卷积比平通卷积所需参数少
## 当g=Cin,n=Cin时,这就是Dw conv
这就相当于对我们输入的特征矩阵的每一个channel分配了一个channel为1的卷积核进行卷积
2.新的block
也就是将原来resnet中的(左边)替换成右边
resnext-50(32*4d)中
32:每个block的group都等于32
4d:conv2中的一系列block的组卷积中每个组所采用的卷积核个数
3.
对与层数小于3的block,组卷积没什么用