nn.Conv2d中groups参数的理解 python
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。
如果group是2，那么对应要将输入的32个通道分成2个16的通道，将输出的48个通道分成2个24的通道。对输出的2个24的通道，第一个24通道与输入的第一个16通道进行全卷积，第二个24通道与输入的第二个16通道进行全卷积。
极端情况下，输入输出通道数相同，比如为24，group大小也为24，那么每个输出卷积核，只与输入的对应的通道进行卷积。
https://blog.csdn.net/gzj2013/article/details/84884353
②
比如input_size = [1,6,1,1], 如果你令conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, stride=1, dilation: 空洞卷积; padding=0, groups=?, bias=False)，则当groups=1时，即为默认的卷积层，则conv.weight.data.size为[6,6,1,1],实际上共有6 * 6=36个参数；若group=3时，则每组计算只有out_channel/groups = 2个channel参与，故每一组卷积层的参数大小为[6,2,1,1]，每一组共有6 * 2=12个参数，相当于每一组被重复用了3次（即group）次，最后再concat.
https://blog.csdn.net/u010216120/article/details/83545213
③
groups 决定了将原输入分为几组，而每组channel重用几次，由out_channels/groups计算得到，这也说明了为什么需要 groups能供被 out_channels与in_channels整除。
https://www.aiuai.cn/aifarm618.html