ResNext 网络核心技术解析及 UCI-HAR 数据集实验分析

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

分组卷积将输入通道和输出通道划分为若干组，每组独立进行卷积操作。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。

3. 分组卷积的技术优势