溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
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，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。這樣經過6次與6個卷積核計算就能夠得到6*H_out*W_out的結果了
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
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，同樣的網絡結構下，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的函數中的group參數的作用介紹就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
