关于pytorch的conv函数中group的理解

首先从二维图像说起，二维图像的中 一个RGB图像的卷积核大小为N*N*D，其中D通常为3，对应的为RGB三通道数据，在每一个卷积核中，不同的D层具有不同的权重。而当需要输出为M个通道时，就会有M个卷积核。参考文章多通道卷积计算理解_AI视觉网奇的博客-CSDN博客_多通道卷积

当谈及Group时，我的理解时对一个多通道数据，比如一个RGBD的数据，包括四个输入通道，这时假设group=2,那么可以认为同时有两个卷积核，每个卷积的大小为N*N*(D/2).这里D=4,然后一个卷积核对RG两个通道进行卷积，一个通道对BD两个通道进行卷积。至于输出通道数，如果输出通道数是M那么两种不同类型（针对不同通道进行卷积，因此认为是不同类型的卷积核）平分M通道，即存在两种卷积核，每个卷积核的大小均为N*N*(D/2),个数均为M/2。这样做的好处在于对于一个多通道的数据，如果认为不同通道之间是独立的，那么可以分别处理，提取出不同的特征出来。一维卷积神经网络理解（torch.nn.Conv1d）_zhangfei_bk的博客-CSDN博客_一维卷积神经网络