分组卷积 Group Conv：给卷积通道分组，让网络又轻又快

可视化演示

展示分组卷积的通道分组计算过程、计算量与参数量压缩效果，以及Channel Shuffle组间信息混合机制。

标准卷积基线

回到灵犀车间。8 条传送带、8 名质检组长，每当一个零件流过，每个组长都要亲手比对全部 8 条线的规格，再填一张报告单。这样一来，一个零件就要产生 8×8=64 次“组长-传送带”配对。在卷积神经网络里，这个配对数量就是算法的核心开销来源。

这种“所有人查所有线”的模式，就是标准的卷积运算。具体来说，假设输出特征图的空间尺寸是 H×W，卷积核边长是 K，输入通道数为 C_in，输出通道数为 C_out，那么标准卷积要做多少次乘加运算？答案就是下面这个公式——它像一个总账本，记录着卷积层的全部工作量。

所以标准卷积的激进之处在于“通道全混合”：任何一条传送带的信息都要被每个质检组长检查一遍，配对成本随通道数平方增长。正如车间里 64 次配对让组长们叫苦不迭，网络加深时，这种通道两两组合的开销会迅速变成灾难。

分组卷积原理

厂长的新方案是：把 8 条传送带分成 g=2 组，每组 4 条；8 名质检组长也分成 2 组，每组 4 人。第一组只看前 4 条带子，第二组只看后 4 条。于是每个零件只需要 2×(4×4)=32 次配对，工作量减半，报告照样完整——只是两组之间不再互相检查对方的零件。这就是分组卷积的核心思想：组内做标准卷积，组间互不干扰，最后把结果拼起来。

在数学上，分组卷积把输入通道平均切成 g 份，每份 C_in/g 个通道；对应的卷积核也切成 g 份，每份负责输出 C_out/g 个通道。每一组内部执行一次标准卷积，再把 g 组输出沿通道维度拼接，就得到了完整的 C_out 个输出通道。整个过程可以写成：

你可以把 "1/g" 理解成车间的省力系数：分 2 组省一半力气，分 4 组省掉四分之三。正是这个简洁的约分，让分组卷积成为轻量网络的第一块基石。

效率分析

省钱省力是厂长的核心目标。除了计算量下降，工资单（参数量）同样被压缩。标准卷积的卷积核参数量是 C_in×C_out×K²——每个输入输出通道对都配一个 K×K 的核。分组后，每组只需 (C_in/g)×(C_out/g)×K² 个参数，g 组合计：

此外，分组后的每组数据量更小，更容易塞进高速缓存与寄存器，从而带来内存带宽的优化；g 个组之间没有依赖关系，天然适合多核并行或 GPU 上的并行加速。不过要泼一盆冷水：理论计算量降低，不等于实际运行一定变快。实际耗时还受硬件访存方式、框架实现、卷积核尺寸等多重因素影响。省下的算力是“账面利润”，能否兑现还要看工程优化是否跟得上。

分组数选择

分组数 g 就像车间的小组数量，调多调少各有利弊。如果 g=1，等于没分组，退回标准卷积，计算量大但信息交流充分；如果 g=C_in（即分组数等于输入通道数），每个输入通道单独成组，此时输出通道也必须按同样的组数划分——这就是深度卷积（Depthwise Convolution）的雏形：每条传送带配一个专员，各查各的，完全没有跨线比对。

当 g 取中间值时，模型容量会被压缩，精度通常随之下降，因为组与组之间的信息被“隔离”了。比如第一组质检员永远看不到第二组的零件，万一第二组有个规格偏差，第一组是完全无感的。这就解释了为什么分组卷积常被拿来当正则化使用：它减少了自由参数，等效于给网络“降噪”，但若分组过多，模型学不到足够的通道组合模式，精度会显著受损。

实际工程中，g 的取值要兼顾精度与效率：常见的经验值是 g=2、4、8，或者让每组通道数保持 16 以上的“信息富足度”。同时要考虑硬件特性——某些 GPU 对 4 的倍数组数优化更好，固定分组数也便于工程队统一模板。总的来说，g 是精度与效率之间的调节旋钮，没有绝对最优，只有针对场景的折中。

演进与变体

分组卷积的思想很快演进出更极致的形式。当 g=C_in 且输出通道数等于输入通道数时，分组卷积变成深度卷积：每个输入通道独占一个卷积核，通道间零交流。但深度卷积的空间滤波能力有限，所以研究者又加上了逐点卷积——用 1×1 卷积核对所有通道做一次轻量混合。这就像车间改革的新模式：每位专员只负责一条传送带的初步核对（深度卷积），随后一名总装师把核对结果汇总成完整报告（逐点卷积）。

把深度卷积和逐点卷积串起来，就得到了深度可分离卷积（Depthwise Separable Convolution），计算量可以写成：

沿这条思路还衍生出了分组残差模块：在残差分支里引入分组卷积，用更小的参数量换取更宽的通道表达，典型代表如 ResNeXt。它不追求“更多层”，而是用“更多组”来提升网络的表达能力——组与组之间的不同卷积核，天然产生了多样化的特征提取器。

轻量网络应用

回到灵犀工厂的终极目标：在一条体积小、耗电低的生产线上，造出和大型车间同等质量的手表。MobileNet 交出的答案是：把整个网络里的标准卷积统统换成深度可分离卷积，并辅以瓶颈残差块设计——先用 1×1 卷积压缩通道，再做深度卷积，最后用 1×1 卷积还原通道，像一根细腰的哑铃。这个设计让网络的参数与计算量双双暴跌。

我们来算一笔账：深度可分离卷积与标准卷积的计算量之比为：

当 C_out 很大（例如 512）而 K=3 时，第一项趋近于 0，比值约等于 1/9。也就是说，MobileNet 主体计算量只有标准卷积的约九分之一。

这就是 MobileNet 系列“快而准”的秘密：用 1/9 的算力换来接近标准卷积的精度，再通过宽度乘子（channel multiplier）微调通道数，在目标算力预算内寻找最佳精度。轻量网络应用的工程经验表明：先把分组做对，再用残差补齐信息流通，最后用数据增强和蒸馏技术捡回精度——这也是今天大多数端侧视觉模型的标准打法。

AI 应用场景

Python 演示

import numpy as np  def conv2d_single(inp, weight, bias, stride=1, pad=0):    """极简 4 重循环标准卷积，仅供教学演示。"""    N, Cin, H, W = inp.shape    Cout, _, K, K = weight.shape    Hout = (H + 2 * pad - K) // stride + 1    Wout = (W + 2 * pad - K) // stride + 1    out = np.zeros((N, Cout, Hout, Wout))    inp_pad = np.pad(inp, ((0, 0), (0, 0), (pad, pad), (pad, pad)))    for n in range(N):        for co in range(Cout):            for hi in range(Hout):                for wi in range(Wout):                    patch = inp_pad[n, :, hi * stride:hi * stride + K,                                    wi * stride:wi * stride + K]                    out[n, co, hi, wi] = (patch * weight[co]).sum() + bias[co]    return out  def group_conv2d(inp, weight, bias, groups, stride=1, pad=0):    """把输入通道切成 groups 份，分别做标准卷积再拼接。"""    N, Cin, H, W = inp.shape    Cout, _, K, K = weight.shape    assert Cin % groups == 0 and Cout % groups == 0    Cin_g = Cin // groups    Cout_g = Cout // groups    parts = []    for gi in range(groups):        in_g = inp[:, gi * Cin_g:(gi + 1) * Cin_g]        wt_g = weight[gi * Cout_g:(gi + 1) * Cout_g]        bs_g = bias[gi * Cout_g:(gi + 1) * Cout_g]        parts.append(conv2d_single(in_g, wt_g, bs_g, stride, pad))    return np.concatenate(parts, axis=1)  if __name__ == "__main__":    np.random.seed(0)    x = np.random.randn(1, 4, 8, 8)    w = np.random.randn(8, 4, 3, 3)    b = np.random.randn(8)     y_std = conv2d_single(x, w, b)    print("标准卷积输出:", y_std.shape)     y_grp = group_conv2d(x, w, b, groups=2)    print("分组卷积输出(g=2):", y_grp.shape)    print("分组卷积与标准卷积结果一致:", np.allclose(y_std, y_grp, atol=1e-8))

1. assert Cin % groups == 0 and Cout % groups == 0分组的前提是通道数能被组数整除，否则无法均分。
2. Cin_g = Cin // groups每组分配到的输入通道数，公式中的 C_in/g。
3. in_g = inp[:, gi * Cin_g:(gi + 1) * Cin_g]按通道维度切片，取出第 gi 组的输入通道。
4. wt_g = weight[gi * Cout_g:(gi + 1) * Cout_g]同步切分卷积核，每组只保留自己那部分输出通道的核。
5. parts.append(...)每组独立做标准卷积，结果暂时存放在列表里。
6. np.concatenate(parts, axis=1)沿通道轴（axis=1）拼接各组的输出，还原完整的 C_out 通道。
7. np.allclose(y_std, y_grp)对比分组前后结果，逐元素误差小于 1e-8，证明数学等价。

常见误区

面试题