大家好啊，我是董董灿。

昨天写了一篇关于分组卷积的文章：分组卷积的思想神了，然后有同学希望多了解下通道洗牌。

我个人感觉，通道洗牌这个算法，或者说这个思想，可以称之为小而精，并且是实际解决了大问题的经典算法。

今天就来一起看看。

1、通道洗牌的背景

分组卷积(Group Convolution)那篇文章中提到，分组卷积的好处是可以将一个大卷积在通道维度拆分成多个小卷积，来实现每个小卷积的并行计算，从而减少内存占用，提高性能。

但是分组卷积会带来一个副作用，那就是组与组之间的特征无法交互和融合，会使得整个神经网络最终的训练/推理效果不尽如人意。

怎么办呢？人们就想到了洗牌这一算法。

通道洗牌主要就是为了解决分组卷积带来的副作用，也就是组间的特征无法交互融合。

这里举一个例子说明一下这个问题。

一个年级共150人，如果你是年级主任，你肯定希望这150人的成绩都能达到最好，成绩好的帮助成绩差的，大家互相帮助，一起进步。

最理想的情况是，每个人都可以和其他人互帮互助，这样，150人中成绩最差的同学，也可以和成绩最好的同学交流，来提高自己的成绩。

但是，一个不好的现象便是，我们通常会将150人分班学习，假设150人分了3个班，每个班50人。

结果便是每个班内的同学交流很多，而班与班之间的交流却很少。

假设成绩最差的同学在3班，称他为学渣A，3班成绩最好的同学称他为学霸B，而3个班150人中的年级第一在1班，称他为学神C。

很显然，学渣A和学神C是很难在一起交流学习的，因为不在一个班。

而学渣A能够到的天花板，也就是本班的学霸B，而学霸B可能比学神A的平均成绩少20分。

这就会导致班与班之间学习发展不平衡。

一个很容易想到的解决办法就是学生走班制，让每个班的学生可以有机会去其他班上课。使3个班的平均成绩尽可能的接近。

通道洗牌就是类似于学生走班制。

在进行分组卷积之前，经过通道洗牌操作，可以把通道内的数据(150个学生)随机打乱或按一定规则打乱，然后分为三组。

记住每次计算分组卷积前都这么做，可以很有效的确保每次分到三个班的学生都是不同的，从而实现整体的信息交流。

2、如何完成洗牌

利用程序完成洗牌有很多种方法，比如随机洗牌等，但一个更简单的完成洗牌的动作便是转置。

我们假设有以下数据，用下图左侧图来表示，分组前橙色和蓝色是不在一个组里的。

经过对原始数据做转置(行与列互换)之后，可以看到每一组中都包含三种颜色的数据，也就完成了转置前不同组间的信息交流。

对于卷积的通道而言，利用转置来完成通道洗牌也很简单。

假设通道数为 c，分组卷积将通道数分为 g 组，每组 n 个特征，那么可以得到 c = g * n。

利用程序完成洗牌的逻辑便是，先将一维通道数据 reshape 成 (g, n) 的二维数据，然后转置变成 (n, g) 的数据，然后再 reshape 回一维数据，完成分组和通道洗牌操作。

伪代码如下

c = c.reshape((g, n))group_c = np.transpose(c, (1, 0))new_c = group_c.reshape((n, g))

三行代码就可以完成通道洗牌的操作，是不是很简单？

关于卷积的其他文章，感兴趣的小伙伴可以查看：

面试官问，1x1 的卷积有什么用？

空洞卷积 —— 给神经网络装上"放大镜"

5分钟入门卷积算法

5分钟理解什么是卷积的特征提取