第 2 / 30 课。 前置：上一课。本篇的运行范围以实验说明和验证记录为准，构造样例不代表真实任务精度或板端性能。
先区分四个独立旋钮
卷积核 K 决定一次采样多少空间位置，stride 决定输出步进，dilation 决定采样点间隔，groups 决定通道之间的连接。它们不能互相替代。输入输出通道都必须能被 groups 整除。
忽略 bias，分组卷积参数量为 Cout × (Cin/groups) × K²。depthwise 是每个输入通道分别做空间卷积；本课取 groups=Cin=Cout。pointwise 是 1×1 卷积，用于混合通道。把两者串起来得到深度可分离卷积，和一个任意普通卷积并不具有完全相同的表达集合。
空洞率改变采样范围
有效核宽为 dilation × (K−1)+1。例如 3×3 核、dilation=2，覆盖范围是 5×5，但只有 9 个采样点，不是拥有 25 个独立参数。过大的空洞率可能跳过细小结构。输出尺寸仍应代入包含 dilation 的公式，不能只看 kernel_size。
运行对照如何解释
脚本固定 [1,16,32,32] 输入，执行普通、四组、depthwise、depthwise+pointwise 和空洞卷积，打印参数量和输出形状。计时前先预热，重复测量并报告中位数。CPU 计时只是本机观察，不是 NPU 排名，也不包括图片解码。
练习与排错
把 groups 改成 3，说明为什么配置无效；再把 dilation 从 2 改为 3，同时修改 padding 以保持输出大小。最后只减小输入空间尺寸，观察权重数量不变但耗时可能变化。
参考结论：groups=3 无法整除 16 个输入通道；3×3、dilation=3 时保持大小需要 padding=3。部署时要确认目标支持该组数、空洞率与通道排列，而不只是确认它支持名为 Conv 的算子。
配套实验与运行记录
实验：卷积进阶：分组、深度、逐点与空洞卷积
查看完整代码：main.py
"""通过真实算子运行区分连接关系、感受野和理论计算量。"""
import statistics, time
import torch
from torch import nn
def main():
torch.manual_seed(7)
torch.set_num_threads(2)
ops = {
"regular": nn.Conv2d(16, 32, 3, padding=1, bias=False),
"groups4": nn.Conv2d(16, 32, 3, padding=1, groups=4, bias=False),
"depthwise": nn.Conv2d(16, 16, 3, padding=1, groups=16, bias=False),
"separable": nn.Sequential(
nn.Conv2d(16, 16, 3, padding=1, groups=16, bias=False),
nn.Conv2d(16, 32, 1, bias=False),
),
"dilation2": nn.Conv2d(16, 32, 3, padding=2, dilation=2, bias=False),
}
x = torch.rand(1, 16, 32, 32)
with torch.inference_mode():
for name, op in ops.items():
op.eval()
for _ in range(5):
op(x)
elapsed = []
for _ in range(30):
start = time.perf_counter_ns()
y = op(x)
elapsed.append((time.perf_counter_ns() - start) / 1e6)
assert y.shape[-2:] == (32, 32)
print(
name,
"parameters",
sum(p.numel() for p in op.parameters()),
"shape",
list(y.shape),
"CPU median ms",
round(statistics.median(elapsed), 4),
)
assert sum(p.numel() for p in ops["regular"].parameters()) == 4608
if __name__ == "__main__":
main()
在项目根目录执行；下载包解压后，在解压目录执行 python3 main.py。
cd 'content/posts/AI-深度学习/嵌入式视觉模型进阶/02-卷积进阶/code' && python3 main.py在本篇代码目录执行 python3 main.py。依赖安装、可选入口见包内 README.md；实际运行结果见 verification.md。下载包包含本课使用的辅助模块与样例。
参考与进一步阅读
原始论文或官方文档用于核对结构、接口和适用范围。本篇代码是围绕教学目标编写的最小实验；除明确注明的完整入口外，不视为对应论文模型的完整复现。