在介绍Group Convolution前先回顾下常规卷积是怎么做的，具体可以参见博文如果输入feature map尺寸为$$N个，输出feature map与卷积核的数量相同吔是$$N每个卷积核的尺寸为$$N个卷积核的总参数量为$$N?C?K?K，输入map与输出map的连接方式如下图左所示图片来自：

GN?，每个卷积核的尺寸为$\frac{}{}$GC??K?K卷积核的总数仍为$$N个，每组的卷积核数量为$\frac{}{}$GN?卷积核只与其同组的输入map进行卷积，卷积核的总参数量为$\frac{}{}$N?GC??K?K可见，总参数量减少为原来的 $\frac{}{}$G1?其连接方式如上图右所示，group1输出map数为2有2个卷积核，每个卷积核的channel数为4与group1的输入map的channel数相同，卷积核只与同组的输入map卷积而不与其他组的输入map卷积。

1. G组则该层的参数量减少为原来的$\frac{}{}$
GC??K?K，可以将其余$\frac{}{}$(C?GC?)?K?K的参数视为0有时甚至可以在减少参数量的同时获得更好的效果（相当于正则）。
2. 当分组数量等于输入map数量输出map数量也等于输入map数量，即$$G=N=C同时卷积核的尺寸与输入map的尺寸相哃，即$$给每个位置赋予了可学习的权重（对于已对齐的图像这很有效比如人脸，中心位置和边界位置的权重自然应该不同）而GAP每个位置的权重相同，全局取个平均如下图所示：

在介绍Group Convolution前先回顾下常规卷积是怎么做的，具体可以参见博文如果输入feature map尺寸为$$N个，输出feature map与卷积核的数量相同吔是$$N每个卷积核的尺寸为$$N个卷积核的总参数量为$$N?C?K?K，输入map与输出map的连接方式如下图左所示图片来自：

GN?，每个卷积核的尺寸为$\frac{}{}$GC??K?K卷积核的总数仍为$$N个，每组的卷积核数量为$\frac{}{}$GN?卷积核只与其同组的输入map进行卷积，卷积核的总参数量为$\frac{}{}$N?GC??K?K可见，总参数量减少为原来的 $\frac{}{}$G1?其连接方式如上图右所示，group1输出map数为2有2个卷积核，每个卷积核的channel数为4与group1的输入map的channel数相同，卷积核只与同组的输入map卷积而不与其他组的输入map卷积。

1. G组则该层的参数量减少为原来的$\frac{}{}$
GC??K?K，可以将其余$\frac{}{}$(C?GC?)?K?K的参数视为0有时甚至可以在减少参数量的同时获得更好的效果（相当于正则）。
2. 当分组数量等于输入map数量输出map数量也等于输入map数量，即$$G=N=C同时卷积核的尺寸与输入map的尺寸相哃，即$$给每个位置赋予了可学习的权重（对于已对齐的图像这很有效比如人脸，中心位置和边界位置的权重自然应该不同）而GAP每个位置的权重相同，全局取个平均如下图所示：