channel shuffle通道洗牌

一般的卷积是在所有的输入特征图上做卷积，可以说是全通道卷积，是一种通道密集连接方式（channel dense connection）；

分组卷积（Group convolution）是将输入层的不同特征图进行分组，然后采用不同的卷积核再对各个组进行卷积，这样可以降低卷积的计算量，但不利于通道组之间的信息流通，因此，与常规卷积相比，分组卷积是一种通道稀疏连接方式；

为了克服分组卷积带来的副作用，ShuffleNet v1 中提出了channel shuffle操作：对group convolution之后的特征图进行“重组”，这样可以保证下一步group convolution的输入来自不同的组，因此信息可以在不同组之间流转。

其实就是打乱原有特征顺序再进行重组：首先确定自己的特征图通道数多少，再确定组数多少，然后将通道分组后作为输入（input）就可以了。
在程序上实现channel shuffle流程：
假定将输入层分为 g 组，总通道数为 g × n ：

import torch
def channel_shuffle(x, groups):
    batch_size, num_channels, height, width = x.size()
    channels_per_group = num_channels // groups
    print(channels_per_group)
    # reshape
    # b, c, h, w =======>  b, g, c_per, h, w
    x = x.view(batch_size, groups, channels_per_group, height, width)
    x = torch.transpose(x, 1, 2).contiguous()
    # flatten
    x = x.view(batch_size, -1, height, width)
    return x

a = torch.randn(1,15,3,3) #1x15x3x3
print(a.shape)
groups = 3
x = channel_shuffle(a, 3)
print(x.shape)