Python从0到100（九十六）：ResNext 网络核心技术解析及UCI-HAR数据集实验分析
前言：零基础学Python：Python从0到100最新最全教程。 想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学业升学和工作就业的先行者！
【优惠信息】 • 新专栏订阅前500名享9.9元优惠 • 订阅量破500后价格上涨至19.9元 • 订阅本专栏可免费加入粉丝福利群，享受：
- 所有问题解答
-专属福利领取
欢迎大家订阅专栏：零基础学Python：Python从0到100最新最全教程！
本文目录：
一、分组卷积的基础原理
1. 传统卷积的瓶颈与挑战
在深度神经网络中，传统卷积层通过跨通道的全局交互提取特征，但其计算复杂度与参数量随通道数呈二次增长。比如输入有 256 个通道，输出 512 个通道时，每个输出通道都需要和所有输入通道 “互动”，这会导致参数量和计算量变得非常大，导致：
- 计算效率低下：GPU显存占用高，训练推理耗时
- 特征冗余：不同通道的特征提取缺乏结构化差异
- 过拟合风险：参数规模增长快于数据规模时容易过拟合
2. 分组卷积的核心机制与数学表达
分组卷积就像把一个大团队分成多个小团队，每个小团队只负责一部分工作。具体来说：
分组处理：把输入通道和输出通道分成若干组（比如分成 4 组），每组独立进行卷积操作。比如输入 256 个通道分成 4 组，每组 64 个通道；输出 512 个通道也分成 4 组，每组 128 个通道。
独立计算：每个小组的卷积核只处理自己组内的输入通道，生成对应的输出通道，组与组之间不交叉。
结果合并：最后把各个小组的输出结果合并，得到最终的特征图。
