对pytorch的函数中的group参数的作用介绍
1.当设置group=1时：
conv=nn.Conv2d(in_channels=6,out_channels=6,kernel_size=1,groups=1) conv.weight.data.size()
返回：
torch.Size([6,6,1,1])
另一个例子：
conv=nn.Conv2d(in_channels=6,out_channels=3,kernel_size=1,groups=1) conv.weight.data.size()
返回：
torch.Size([3,6,1,1])
可见第一个值为out_channels的大小，第二个值为in_channels的大小，后面两个值为kernel_size
2.当设置为group=2时
conv=nn.Conv2d(in_channels=6,out_channels=6,kernel_size=1,groups=2) conv.weight.data.size()
返回：
torch.Size([6,3,1,1])
3.当设置group=3时
conv=nn.Conv2d(in_channels=6,out_channels=6,kernel_size=1,groups=3) conv.weight.data.size()
返回：
torch.Size([6,2,1,1])
4.当设置group=4时
conv=nn.Conv2d(in_channels=6,out_channels=6,kernel_size=1,groups=4) conv.weight.data.size()
报错：
ValueError:in_channelsmustbedivisiblebygroups
groups的值必须能整除in_channels
注意：
同样也要求groups的值必须能整除out_channels，举例：
conv=nn.Conv2d(in_channels=6,out_channels=3,kernel_size=1,groups=2) conv.weight.data.size()
否则会报错：
ValueError:out_channelsmustbedivisiblebygroups
5.当设置group=in_channels时
conv=nn.Conv2d(in_channels=6,out_channels=6,kernel_size=1,groups=6) conv.weight.data.size()
返回：
torch.Size([6,1,1,1])
所以当group=1时，该卷积层需要6*6*1*1=36个参数，即需要6个6*1*1的卷积核
计算时就是6*H_in*W_in的输入整个乘以一个6*1*1的卷积核，得到输出的一个channel的值,即1*H_out*W_out。这样经过6次与6个卷积核计算就能够得到6*H_out*W_out的结果了
如果将group=3时，卷积核大小为torch.Size([6,2,1,1])，即6个2*1*1的卷积核，只需要需要6*2*1*1=12个参数
那么每组计算就只被in_channels/groups=2个channels的卷积核计算，当然这也会将输入分为三份大小为2*H_in*W_in的小输入，分别与2*1*1大小的卷积核进行三次运算，然后将得到的3个2*H_out*W_out的小输出concat起来得到最后的6*H_out*W_out输出
在实际实验中，同样的网络结构下，这种分组的卷积效果是好于未分组的卷积的效果的。
以上这篇对pytorch的函数中的group参数的作用介绍就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。