【转】关于caffe 卷积层中group参数的应用

原文地址：https://blog.csdn.net/liyuan123zhouhui/article/details/70858472

caffe Convolution层的convolution_param参数字典中有一个group参数，其意思是将对应的输入通道与输出通道数进行分组，比如输入数据大小为
90x100x100x32 90是数据批大小 100x100是图像数据shape，32是通道数，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层，
如果group是2，那么对应要将输入的32个通道分成2个16的通道，将输出的48个通道分成2个24的通道。对输出的2个24的通道，第一个24通道与输入的第一个16通道进行全卷积，第二个24通道与输入的第二个16通道进行全卷积。极端情况下，输入输出通道数相同，比如为24，group大小也为24，那么每个输出卷积核，只与输入的对应的通道进行卷积。

         caffe官网原话是：
group (g) [default 1]: If g > 1, we restrict the connectivity of each filter to a subset of the input. Specifically, the input and output channels are separated into g groups, and the i-th output group channels will be only connected to the i-th input group channels.
--------------------- 

原文地址：https://blog.csdn.net/a200800170331/article/details/80440494

问题：mobilenetV1是基于tensorflow实现的，现在我需要将depthwise separable convolution利用caffe实现，应该怎么办呢？
解决方法：使用卷积参数group实现。
group对输入输出对应分组，默认为1，也就是说默认输出输入的所有通道各为一组。输出一个通道由输入所有通道进行卷积运算。如果我们把卷积group等于输入通道，输出通道等于输入通道便轻松实现了depthwize separable convolution结构。
如下，便是一个depthwize sepatable convolution示例：

layer {
  name: \"conv2_1\"
  type: \"Convolution\"
  bottom: \"pool1b\"
  top: \"conv2_1\"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 0
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    stride: 1
    pad: 1
    group: 64
    weight_filler {
      type: \"gaussian\"
      std: 0.01
    }
    bias_filler {
      type: \"constant\"
      value: 0
    }
  }
}
layer {
  name: \"relu2_1\"
  type: \"PReLU\"
  bottom: \"conv2_1\"
  top: \"conv2_1\"
}
layer {
  name: \"conv2_1_1\"
  type: \"Convolution\"
  bottom: \"conv2_1\"
  top: \"conv2_1_1\"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 0
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 1
    stride: 1
    pad: 0
    weight_filler {
      type: \"gaussian\"
      std: 0.01
    }
    bias_filler {
      type: \"constant\"
      value: 0
    }
  }
}
layer {
  name: \"relu2_1_1\"
  type: \"PReLU\"
  bottom: \"conv2_1_1\"
  top: \"conv2_1_1\"
}
caffe官网说明：

--------------------- 
作者：蝴蝶也可以飞过沧海 
来源：CSDN 
原文：https://blog.csdn.net/a200800170331/article/details/80440494 
版权声明：本文为博主原创文章，转载请附上博文链接！