nn.Conv2d()中的groups分组参数

于 2024-03-10 11:22:59 发布
阅读量647 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

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
  • 7
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pyotrch nn.Conv2d中groups参数的理解
jacke121的专栏
01-16 3166
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...
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）】
简单记录生活、学习
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.
【Pytorch】一文搞懂nn.Conv2d的groups参数的作用
syh的技术记录
11-11 3486
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。
关于Pytorch中的nn.Conv2d的group参数的理解
橙的博客
05-18 1994
小白能看的懂的关于nn.Conv2d中的关于group参数的解读。
图解 Pytorch 中 nn.Conv2d 的 groups 参数
zhaohongfei_358的博客
05-23 2329
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
nn.Conv2d中groups参数的理解 python
是鲤鱼啊
04-18 1万+
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 2419
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 =
[可分离卷积] torch.nn.conv2d 中 groups
Larkii 的博客
03-19 299
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...
Pytorch.nn.conv2d 过程验证方式(单,多通道卷积过程)
12-23
今天在看文档的时候，发现pytorch 的conv操作不是很...classtorch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)[source] Parameters: in_channels (int
在Pytorch中计算卷积方法的区别详解(conv2d的区别)
01-20
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 对由多个特征平面组成的输入信号进行2D的卷积操作。详解 torch.nn.functional.conv2d...
对pytorch的函数中的group参数的作用介绍
12-20
在PyTorch中，`nn.Conv2d`是卷积神经网络中常用的一个函数，用于实现二维卷积操作。此函数包含多个参数，其中之一便是`groups`，它是一个非常重要的特性，尤其在设计深度学习模型时能带来一些独特的优势。本文将深入...
conv2d.中 groups 参数
chumingqian的博客
03-20 891
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。
conv2d中的groups参数
miya的博客
02-08 345
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 2699
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(...
Pytorch Conv2d 中的group测试
qq_39243015的博客
11-14 347
Pytorch Conv2d 中的group测试欢迎使用Markdown编辑器第二个卷积总结 欢迎使用Markdown编辑器 测试Pytorch Conv2d 中的group参数实际影响： 首先定义一个我们能验算的333的数组 import torch import numpy as np array1 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]).reshape(3, 3) array2 = np.array([2, 3, 4, 5, 6, 7, 8, 9, 1]).re
Conv2d中的group参数：分组卷积是什么？
weixin_43572595的博客
12-03 4647
直观理解 用一幅图就可以很直观的理解了： 如上图，左边是常规卷积，假设input_features[1, 12, Hi, Wi]， output_features[1, 6, Ho, Wo]，此时需要的kernel[12, 6, K, K]， 卷积核的总参数量为126KK；右边为分组卷积，分组即将input_features进行分组，假设这里将input_features分为三组，每组有四个维度，那么每一组的input_features[1, 4, Hi, Wi], 输出的output_features[
Pytorch-nn.Conv2d中groups参数的理解
每天都要进步哦~
04-02 2972
Pytorch-nn.Conv2d中groups参数的理解 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) group参数的作用是控制分组卷积。 直接通过实际的例子加以说明。 import torch import ...
[pyotrch]nn.Conv2d中groups参数的理解
热门推荐
A Coder~
05-02 4万+
[pyotrch]nn.Conv2d中groups参数的理解 在pytorch的Docs中有关于nn.Conv2d的具体描述： class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 其中其他参数都很好理解，gro...
pytorch conv2d函数参数group的作用
GeneralJing的专栏
01-07 814
这篇博客介绍的比较清楚，https://www.cnblogs.com/wanghui-garcia/p/10775851.html。
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参数大于1时，输入和输出之间的连接就会被分成多个组，每个组之间的连接是独立的。具体来说，如果groups的值等于输入通道数和输出通道数的约数，那么输入和输出之间的连接会被分成groups个组，每个组内的通道数相等，每个组内的通道只会连接到同组内的输出通道。这种方式被称为分组卷积，在一些特定的应用中可以提高模型的效率和准确率。
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