Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

• in_channels：输入的通道数目 【必选】

• out_channels：输出的通道数目 【必选】

• kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】

• stride：卷积每次滑动的步长为多少，默认是 1 【可选】

• padding：设置在所有边界增加 值为 0 的边距的大小（也就是在feature map 外围增加几圈 0 ），例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】

• dilation：控制卷积核之间的间距【可选】

• groups：控制输入和输出之间的连接【可选】

• bias：是否将一个 学习到的 bias 增加输出中，默认是 True 。【可选】

• padding_mode ：字符串类型，接收的字符串只有 “zeros” 和 “circular”。【可选】

  groups:分组卷积

  比如 groups 为1，那么所有的输入都会连接到所有输出

  当 groups 为 2的时候，相当于将输入分为两组，并排放置两层，每层看到一半的输入通道并产生一半的输出通道，并且两者都是串联在一起的。这也是参数字面的意思：“组” 的含义。

  需要注意的是，in_channels 和 out_channels 必须都可以整除 groups，否则会报错

  Convolution 层的参数中有一个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, 默认值为1, 默认输出输入的所有通道各为一组。比如输入数据大小为90x100x100x32，通道数32，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。

  分组卷积对输入通道数的影响

  1.当设置group=1时：

  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])

  另一个例子：​​​​​​​

  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])

  可见第一个值为out_channels的大小，第二个值为in_channels的大小，后面两个值为kernel_size

  2.当设置为group=2时​​​​​​​

  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.当设置group=3时​​​​​​​

  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.当设置group=4时

  conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=4)
  conv.weight.data.size()
  

  报错：

  ValueError: in_channels must be divisible by groups

  groups的值必须能整除in_channels，同样也要求groups的值必须能整除out_channels

  总结：其实就是将输入通道数变为 输入通道数/groups，输出通道数不变，总共计算groups次

  示意图

  不分组：

  分两组:

  分四组：

  最后：

  如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！