blink_cao的博客

换源清华源镜像 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

瓶颈结构是一种长得像瓶颈的一样，上面小（卷积核）下面大（卷积核）的网络结构（可参考ResNet中的瓶颈结构）。如下图所示：图中上面使用比较小的1x1的卷积核减少卷积核的通道数（1x1卷积核的作用见NIN网络），然后使用等于上层通道数的3x3的卷积核进行特征卷积，最后在使用1x1的卷积核提高通道数使其达到目标数量。这样做的效果等效于使用3x3x256的卷积核，但是这样的瓶颈设计不仅减少了参数量还加深的网络层数。...

目录顾名思义这样做有啥作用呢？参考顾名思义分组卷积（Group Convolution）顾名思义，在对特征图进行卷积的时候，首先对特征图分组再卷积。如下图所示：这样做有啥作用呢？减少参数量，分成G组，则该层的参数量减为原来的1/G。feature map尺寸为CiHW，常规卷积的参数量是Ci*H*W*Co；分G组的分组卷积参数量是(Ci/G)*H*W*(Co/G)*G=(Ci*H*W*Co)/G；可以自己举一个简单的例子试一试。分组卷积可以看做是对原来的特征图进行了一个dropout，有正