因爲需要把yolo網絡改成mobilenet，涉及到卷積層的group參數，所以來好好理解一下。
①
Convolution 層的參數中有一個group參數，其意思是將對應的輸入通道與輸出通道數進行分組, 默認值爲1, 也就是說默認輸出輸入的所有通道各爲一組。 比如輸入數據大小爲90x100x100x32，通道數32，要經過一個3x3x48的卷積，group默認是1，就是全連接的卷積層。
如果group是2，那麼對應要將輸入的32個通道分成2個16的通道，將輸出的48個通道分成2個24的通道。對輸出的2個24的通道，第一個24通道與輸入的第一個16通道進行全卷積，第二個24通道與輸入的第二個16通道進行全卷積。
極端情況下，輸入輸出通道數相同，比如爲24，group大小也爲24，那麼每個輸出卷積核，只與輸入的對應的通道進行卷積。
https://blog.csdn.net/gzj2013/article/details/84884353
②
比如input_size = [1,6,1,1], 如果你令conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, stride=1, dilation: 空洞卷積; padding=0, groups=?, bias=False)，則當groups=1時，即爲默認的卷積層，則conv.weight.data.size爲[6,6,1,1],實際上共有6 * 6=36個參數；若group=3時，則每組計算只有out_channel/groups = 2個channel參與，故每一組卷積層的參數大小爲[6,2,1,1]，每一組共有6 * 2=12個參數，相當於每一組被重複用了3次（即group）次，最後再concat.
https://blog.csdn.net/u010216120/article/details/83545213
③
groups 決定了將原輸入分爲幾組，而每組channel重用幾次，由out_channels/groups計算得到，這也說明了爲什麼需要 groups能供被 out_channels與in_channels整除。