pytorch 1D卷积与1D深度可分离卷积

1.传统一维卷积：

2.改变groups：
将Input的通道分成groups个独立的通道，分别进行卷积。相应的卷积核的通道数也会减小，如下图所示。
下图将64个通道分成32个groups，每个组由两个通道构成，时间维保持不变。一个1d卷积核的大小为(64 / 32, kernel)。
由于output_channels = 128。
对每个group卷积一次会得到输出的一个channel，所以需要对32个group卷积（output_channels / groups = 128/32）4遍。因此要求output_channels / groups必须是可以除尽的。

3.深度可分离卷积
深度可分离卷积是让output_channels与input_channels相同，同时groups等于input_channels.
这时输出通道如输入通道相同，如果需要改变输出通道数，则再跟一个kernel等于1的1D卷积即可。

nn.Conv1d(input_channels = 64, output_channels = ？,kernel = 1,groups = 1)