【北上广深杭大厂AI算法面试题】深度学习篇…组卷积（Grouped Convolution）详解（附代码实现）（一）

【北上广深杭大厂AI算法面试题】深度学习篇…组卷积（Grouped Convolution）详解（附代码实现）（一）

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342

---

组卷积（Grouped Convolution）详解（附代码实现）

1. 组卷积（Grouped Convolution）的背景

为什么提出组卷积？

传统 CNN（标准卷积）的计算量大

• 标准卷积计算复杂度为 O(N² × C_in × C_out × K²)，当通道数 C_in 和 C_out 较大时，计算量过高。

参数量过多，容易过拟合

• 如 ResNet-50 的第一层卷积有 64×3×7×7=9408 个参数，模型过大。

无法高效利用 GPU 计算

• 标准卷积层中的所有通道都相互连接，数据依赖性强，难以并行化。

解决方案：Grouped Convolution

• 组卷积（Grouped Convolution）最早在 AlexNet（2012） 中提出，并在 ResNeXt（2017） 和
  **MobileNetV2（2018）**中被进一步发展。
• 它将通道划分为 G 组，每组分别进行卷积，使得计算量大幅减少。

2. 组卷积的核心思想

• 将输入通道 C_in 划分成 G 组，每组单独进行卷积运算。
• 输出通道 C_out 也被划分成 G 组，每组 C_out/G 个通道。
• 相比普通卷积，组卷积减少了参数量和计算量，使得深度网络更加轻量。

组卷积 vs 普通卷积

3. 组卷积的代码实现（PyTorch）

3.1 直接使用 PyTorch groups 参数

PyTorch 的 torch.nn.Conv2d 直接支持 groups 参数：

import torch
import torch.nn as nn

# 组卷积：将 64 个输入通道划分为 4 组，每组 16 个通道
grouped_conv = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1, groups=4)

# 测试输入
x = torch.randn(1, 64, 32, 32)  # 输入 (batch=1, C_in=64, H=32, W=32)
y = grouped_conv(x)
print(y.shape)  # 输出 (1, 128, 32, 32)

• groups=4：表示 64 个通道分为 4 组，每组 16 个通道进行独立卷积。
• out_channels=128：意味着每组输出 128/4 = 32 个通道。

3.2 手动实现组卷积

如果 PyTorch 不支持 groups，可以手动实现：

class GroupedConv2D(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, groups):
        super(GroupedConv2D, self).__init__()
        assert in_channels % groups == 0 and out_channels % groups == 0, "通道数必须整除 groups"
        
        self.groups = groups
        self.group_in_channels = in_channels // groups
        self.group_out_channels = out_channels // groups

        self.convs = nn.ModuleList([
            nn.Conv2d(self.group_in_channels, self.group_out_channels, kernel_size, padding=kernel_size//2)
            for _ in range(groups)
        ])
    
    def forward(self, x):
        # 按组分割通道
        split_x = torch.chunk(x, self.groups, dim=1)  # 按通道分割为 groups 组
        out = [conv(split_x[i]) for i, conv in enumerate(self.convs)]  # 每组分别进行卷积
        return torch.cat(out, dim=1)  # 拼接所有组的输出

# 测试
x = torch.randn(1, 64, 32, 32)
grouped_conv = GroupedConv2D(in_channels=64, out_channels=128, kernel_size=3, groups=4)
y = grouped_conv(x)
print(y.shape)  # (1, 128, 32, 32)

下节请参考：【北上广深杭大厂AI算法面试题】深度学习篇…组卷积（Grouped Convolution）详解（附代码实现）（二）