1.當設置group=1時：

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])

另一個例子：

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])

可見第一個值為out_channels的大小，第二個值為in_channels的大小，后面兩個值為kernel_size

2.當設置為group=2時

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.當設置group=3時

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.當設置group=4時

conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=4)
conv.weight.data.size()

報錯：

ValueError: in_channels must be divisible by groups

groups的值必須能整除in_channels

注意：

同樣也要求groups的值必須能整除out_channels，舉例：

conv = nn.Conv2d(in_channels=6, out_channels=3, kernel_size=1, groups=2)
conv.weight.data.size()

否則會報錯：

ValueError: out_channels must be divisible by groups

5.當設置group=in_channels時

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])

所以當group=1時，該卷積層需要6*6*1*1=36個參數(shù)，即需要6個6*1*1的卷積核

計算時就是6*H_in*W_in的輸入整個乘以一個6*1*1的卷積核，得到輸出的一個channel的值,即1*H_out*W_out。這樣經(jīng)過6次與6個卷積核計算就能夠得到6*H_out*W_out的結(jié)果了

如果將group=3時，卷積核大小為torch.Size([6, 2, 1, 1])，即6個2*1*1的卷積核，只需要需要6*2*1*1=12個參數(shù)

那么每組計算就只被in_channels/groups=2個channels的卷積核計算，當然這也會將輸入分為三份大小為2*H_in*W_in的小輸入，分別與2*1*1大小的卷積核進行三次運算，然后將得到的3個2*H_out*W_out的小輸出concat起來得到最后的6*H_out*W_out輸出

在實際實驗中，同樣的網(wǎng)絡結(jié)構(gòu)下，這種分組的卷積效果是好于未分組的卷積的效果的。

以上這篇對pytorch的函數(shù)中的group參數(shù)的作用介紹就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。