Group Convolution 分组卷积

Group Convolution分组卷积
最早见于AlexNet——2012年Imagenet的冠军方法,Group Convolution被用来切分网络,使其在2个GPU上并行运行,AlexNet网络结构如下:
Group Convolution 分组卷积_第1张图片

Group Convolution 原理

如果输入feature map尺寸为 C ∗ H ∗ W C*H*W CHW,卷积核有N个,输出feature map与卷积核的数量相同也是N,每个卷积核的尺寸为 C ∗ K ∗ K C*K*K CKK,N个卷积核的总参数量为 N ∗ C ∗ K ∗ K N*C*K*K NCKK。如下图所示,传统卷积方法和分组卷积方法。
Group Convolution 分组卷积_第2张图片
Group Convolution,则是对输入feature map进行分组,然后每组分别卷积。其实也就是,原本应该是 C ∗ H ∗ W C*H*W CHW 的图片,用N个传统的卷积核 C ∗ K ∗ K C*K*K CKK,就可以生成 N ∗ H ∗ W N*H*W NHW(假设经过池化,图片尺寸不变)这样其实,是一个通道为C来进行整体卷积生成一个图片。而分组卷积,是一个通道为 C G \frac{C}{G} GC来进行整体卷积生成一个图片。
具体来说就是,假设输入feature map的尺寸仍为 C ∗ H ∗ W C*H*W CHW,输出feature map的数量为N个,如果设定要分成G个groups,则每组的输入feature map数量为 C G \frac{C}{G} GC,每组的输出feature map数量为 N G \frac{N}{G} GN,每个卷积核的尺寸为 C G ∗ K ∗ K \frac{C}{G}*K*K GCKK,卷积核的总数仍为N个,每组的卷积核数量为 N G \frac{N}{G} 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 N ∗ C G ∗ K ∗ K N∗\frac{C}{G}*K*K NGCKK,可见,总参数量减少为原来的 1 G \frac{1}{G} G1

Group Convolution的用途

  1. 减少参数量,分成G组,则该层的参数量减少为原来的 1 G \frac{1}{G} G1
  2. Group Convolution可以看成是structured sparse,每个卷积核的尺寸由 C ∗ K ∗ K C*K*K CKK 变为 C G ∗ K ∗ K \frac{C}{G}*K*K GCKK,可以将其余 ( C − C G ) ∗ K ∗ K (C−\frac{C}{G})*K*K (CGC)KK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)。

参考文献
https://www.cnblogs.com/shine-lee/p/10243114.html

你可能感兴趣的:(Deep,Learning,计算机视觉,深度学习,卷积)