說明分組卷積之前我們用一張圖來體會一下一般的卷積操作。
從上圖可以看出，一般的卷積會對輸入數據的整體一起做卷積操作，即輸入數據：H1×W1×C1；而卷積核大小爲h1×w1，通道 爲C1，一共有C2個，然後卷積得到的輸出數據就是H2×W2×C2。這裏我們假設輸出和輸出的分辨率是不變的。主要看這個過 程是一氣呵成的，這對於存儲器的容量提出了更高的要求。
但是分組卷積明顯就沒有那麼多的參數。先用圖片直觀地感受一下分組卷積的過程。對於上面所說的同樣的一個問題，分組卷 積就如下圖所示
可以看到，圖中將輸入數據分成了2組（組數爲g），需要注意的是，這種分組只是在深度上進行劃分，即某幾個通道編爲一 組，這個具體的數量由（C1/g）決定。因爲輸出數據的改變，相應的，卷積核也需要做出同樣的改變。即每組中卷積核的深度 也就變成了（C1/g），而卷積核的大小是不需要改變的，此時每組的卷積核的個數就變成了（C2/g）個，而不是原來的C2 了。然後用每組的卷積核同它們對應組內的輸入數據卷積，得到了輸出數據以後，再用concatenate的方式組合起來，終的 輸出數據的通道仍舊是C2。也就是說，分組數g決定以後，那麼我們將並行的運算g個相同的卷積過程，每個過程裏（每組）， 輸入數據爲H1×W1×C1/g，卷積核大小爲h1×w1×C1/g，一共有C2/g個，輸出數據爲H2×W2×C2/g。
舉個例子：
Group conv本身就極大地減少了參數。比如當輸入通道爲256，輸出通道也爲256，kernel size爲3×3，不做Group conv參數 爲256×3×3×256。實施分組卷積時，若group爲8，每個group的input channel和output channel均爲32，參數爲 8×32×3×3×32，是原來的八分之一。而Group conv後每一組輸出的feature maps應該是以concatenate的方式組合。 Alex認 爲group conv的方式能夠增加 filter之間的對角相關性，而且能夠減少訓練參數，不容易過擬合，這類似於正則的效果