大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全家桶1年46,售后保障稳定
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 原理
如果输入feature map尺寸为 C ∗ H ∗ W C*H*W C∗H∗W,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 C∗K∗K,N个卷积核的总参数量为 N ∗ C ∗ K ∗ K N*C*K*K N∗C∗K∗K。如下图所示,传统卷积方法和分组卷积方法。
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 C∗H∗W 的图片,用N个传统的卷积核 C ∗ K ∗ K C*K*K C∗K∗K,就可以生成 N ∗ H ∗ W N*H*W N∗H∗W(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 C∗H∗W,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 GC∗K∗K,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 N∗GC∗K∗K,可见,总参数量减少为原来的 1 G \frac{1}{G} G1。
Group Convolution的用途
- 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
- Group Convolution可以看成是structured sparse,每个卷积核的尺寸由 C ∗ K ∗ K C*K*K C∗K∗K 变为 C G ∗ K ∗ K \frac{C}{G}*K*K GC∗K∗K,可以将其余 ( C − C G ) ∗ K ∗ K (C−\frac{C}{G})*K*K (C−GC)∗K∗K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
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/213579.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...