nn.Conv2d()中的groups分组参数

于 2024-03-10 11:22:59 发布
阅读量793 收藏 6
点赞数 7
分类专栏： 人工智能 文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiao_ZHEDA/article/details/136597697
版权
文章解释了nn.Conv2d中的groups参数如何影响多通道卷积过程，指出分组可以减少参数量，如设置groups=2时减半，groups=in_dim时变为1/in_dim，有助于理解其作用和优化网络结构。
摘要由CSDN通过智能技术生成

1.参考文章：

【Pytorch】搞懂nn.Conv2d的groups参数的作用 - 知乎 (zhihu.com)

2.理解：

（1）只要你 明白了 多通道的卷积是如何实现的（可以看我的1X1卷积文章），那么这里的分组进行卷积就非常好理解了

        核心：其实，虽然我们知道nn.Conv2d(in_fea,out_fea)就是从in_fea个channels 变成 out_fea个channels, 而且也知道是 由out_fea个kernel干的这件事情。

        但是，每个kernel其实会把 “同一个”位置的 “所有输入channels”全部进行处理。 √

（2）效果：

--如果分groups =2 ,就可以然参数量 变成1/2 上面那篇知乎文章最后的手绘图清晰

--如果分groups =in_dim,自然，可以将参数量 变成1/in_dim

诚威_lol_中大努力中
关注
专栏目录
pyotrch nn.Conv2d中groups参数的理解
jacke121的专栏
01-16 3248
在pytorch的Docs中有关于nn.Conv2d的具体描述： torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) https://zhuanlan.zhihu.com/p/35405071 import torc...
图解 Pytorch 中 nn.Conv2d 的 groups 参数
iioSnail的博客
05-23 2917
文章目录普通卷积复习Groups是如何改变卷积方式的实验验证参考资料 普通卷积复习 首先我们先来简单复习一下普通的卷积行为。 从上图可以看到，输入特征图为3，经过4个filter卷积后生成了4个输出特征图。对于普通的卷积操作，我们可以得到几个重要的结论： 输入通道数 = 每个filter的卷积核的个数。（注意区分卷积核和Filter，它们俩的关系是：多个卷积核组成一个Filter） Filter的个数 = 输出通道数 此时，我们的参数量为： 参数量=输入通道数×输出通道数×卷积核大小=卷积核个数×Fi
【PyTorch】nn.Conv2d函数详解
See_Star的博客
10-27 3万+
【PyTorch】nn.Conv2d函数详解
【Pytorch】一文搞懂nn.Conv2d的groups参数的作用
syh的技术记录
11-11 4820
简单来说就是将输入和输出的通道（channel）进行分组，每一组单独进行卷积操作，然后再把结果拼接（concat）起来。
移动端/嵌入式-CV模型-2017：MobelNets-v1【利用“深度可分离卷积”来减少参数量】【分解卷积层：①各通道分别用3×3的核进行卷积；②各通道用1×1×C的核融合】【α、β调整模型大小】
u013250861的博客
08-08 922
假设某一网络卷积层，其卷积核大小为3×3，输入通道为16，输出通道为32；常规卷积操作是将32个3×3×16的卷积核作用于16通道的输入图像，则根据卷积层参数量计算公式，卷积计算+卷积参数量+卷积计量量得到所需参数为32*(3316+1)= 4640个。若先用16个、大小为3×3的卷积核(331)作用于16个通道的输入图像，得到了16个特征图，在做融合操作之前，接着用32个大小为1×1的卷积核(1116)遍历上述得到的16个特征图，根据卷积层参数计算公式，所需参数为(331116。.............
nn.Conv2d中groups参数的理解 python
是鲤鱼啊
04-18 2万+
因为需要把yolo网络改成mobilenet，涉及到卷积层的group参数，所以来好好理解一下。 ① Convolution 层的参数中有一个group参数，其意思是将对应的输入通道与输出通道数进行分组, 默认值为1, 也就是说默认输出输入的所有通道各为一组。比如输入数据大小为90x100x100x32，通道数32，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层。 如...
PyTorch基础——torch.nn.Conv2d中groups参数
gy笨瓜的博客
10-20 2508
torch.nn.Conv2d：对输入的二维图像进行卷积运算 # 函数声明： torch.nn.Conv2d( in_channels = in_channels, out_channels = out_channels, kernel_size = kernel_size, stride = 1, padding =
conv2d.中 groups 参数
chumingqian的博客
03-20 978
使用groups前后，并不改变卷积核的个数，改变的是每个卷积核中通道数；即普通的卷积核中，　每个卷积核中通道数　= 输入特征的通道数；使用groups, 　每个卷积核中通道数变成 = 　输入的通道数/ groups;卷积核的个数保持原来不变。
pytorch之torch.nn.Conv2d()函数详解
热门推荐
夏普通
07-09 21万+
文章目录一、官方文档介绍二、torch.nn.Conv2d()函数详解参数详解参数dilation——扩张卷积（也叫空洞卷积）参数groups——分组卷积三、代码实例 一、官方文档介绍 官网 nn.Conv2d：对由多个输入平面组成的输入信号进行二维卷积 二、torch.nn.Conv2d()函数详解 参数详解 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=
pytorch笔记（四）nn.Conv1d、nn.Conv2d、nn.Conv3d
_yuki_
08-17 6412
概念： nn.Conv1d:常用在文本 (B,C,L) (batch,channel,sequence_len) （批数量，通道数，句子长度） nn.Conv2d:常用在图像 (B,C,H,W) (batch,channel,height,width) （批数量，通道数，高度，长度） nn.Conv3d:常用在（时序）帧图像 (B,C,D,H,W) (batch,channel,depth,height,width) （批...
Pytorch中torch.nn.conv2d和torch.nn.functional.conv2d的区别
weixin_45561795的博客
11-16 3150
你是否和我有同样疑惑，pytorch中怎么会有卷积、激活、池化等操作，虽然不在同一个包下面，那他们的区别究竟是什么，今天我们就来捋一捋这个问题。 区别一 正如我们知道的这些看似相同的卷积、激活、池化等操作，分别在不同的包下面—— torch.nn.xxx 和 torch.nn.functional.xxx包，那么他的作用和完成的方式以及调用的方式当然也不一样。 首先我们来看一下pytorch中文文档 ![在这里插入图片描述](https://img-blog.csdnimg.cn/202011161909
pytorch的nn.Conv2d()参数及尺寸计算详解（与Tensorflow.nn.Conv2d相比）
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数（如彩色图片，一般为3） out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride = 1, #卷积步长，就是卷积操作时每次移动的格子数 padding = 0, #原图周围需要填充的格子行（列）数，无填充的话卷积到边缘会直接忽略该边缘 dilation = 1, #空洞卷积的空洞指数，一般默认为1即可 groups = 1, #分
关于Pytorch中的nn.Conv2d的group参数的理解
橙的博客
05-18 2108
小白能看的懂的关于nn.Conv2d中的关于group参数的解读。
Conv2d中的groups参数（分组卷积）怎么理解？ 【分组卷积可以减少参数量、且不容易过拟合（类似正则化）】
MOL
01-11 1万+
关于Conv2d的用法先看以下链接：Conv2d_马鹏森的博客-CSDN博客 注意：首先需要知道的是groups的值必须能整除in_channels和out_channels 前置知识：卷积参数量的计算公式是：（输入通道数 * 输出通道数 * k^2 ）/ groups 了解分组卷积对输入通道数的影响： 1.当设置group=1时： conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=1) conv.wei.
[可分离卷积] torch.nn.conv2d 中 groups
Larkii 的博客
03-19 328
link groups controls the connections between inputs and outputs. in_channels and out_channels must both be divisible(可被整除) by groups. For example, At groups=1, all inputs are convolved to all outp...
conv2d中的groups参数
miya的博客
02-08 403
如果groups = 4， 单个kernel的size为（1 * kernel size），就相当于kernel在逐层（input层）操作，那么output至少是4的倍数。因为卷一次至少也有4个output。如果groups = 2， 单个kernel的size就是（2 * kernel size），那么output至少是2的倍数[如2，4，6，8等]比如input的channel为4，如果groups=1， 那么 单个kernel的size就是（4 * kernel size）
对于组卷积(group convolutional)的理解(torch.nn.Conv2d中的group参数)
尼伯龙根
04-02 2746
最近开始学习使用pytorch，在学习他人的mobilenetv1过程中发现了nn.torch.Conv2d中group这个参数，下面是torch中depthwise def conv_dw(inp, oup, stride): return nn.Sequential( # depthwise nn.Conv2d(...
关于pytorch中nn.conv中的参数group
u010216120的博客
10-30 1万+
关于pytorch中nn.conv中的参数 之前一直是用的tensor flow +keras，最近刚转为pytorch，发现torch中的卷积参数和tensorflow中的有点不同，特来记录下，以下是官网中的解释： 和tensorflow不同，in_channels和out_channels分别是输入和输出的通道数，stride步长以及padding填充和keras是一样的，groups 这个...
【pytorch学习】nn.Conv2d 中 group参数的理解
py今天刷题了吗
05-04 204
Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution
nn.Conv2d中groups参数的作用
最新发布
05-14
在PyTorch中，nn.Conv2d用于定义二维卷积层。其中的groups参数用于指定输入和输出之间的连接方式。默认情况下，groups=1，即输入和输出之间的连接是全连接的，每个输入通道都会连接到每个输出通道。但是，当groups...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值