PyTorch中nn.Conv2d实现深度可分离卷积需两步：先设groups=in_channels实现深度卷积，再接groups=1的1×1逐点卷积；仅靠单个Conv2d无法完成，且groups必须整除输入通道数。
PyTorch中nn.Conv2d实现深度可分离卷积的关键是设groups等于输入通道数
深度可分离卷积 = 深度卷积（per-channel） + 逐点卷积（1×1）。PyTorch不提供单独的DepthwiseConv2d类，但可用nn.Conv2d通过groups参数模拟深度卷积部分。核心规则：当in_channels == groups且out_channels % in_channels == 0时，每个输入通道独立卷积，输出通道按组分配。
-
groups=1：标准卷积（所有通道共享权重） -
groups=in_channels：深度卷积（每个通道用独立卷积核） - 此时
out_channels必须是in_channels的整数倍；若想保持通道数不变，设out_channels=in_channels - 卷积核形状变为
(out_channels, 1, k, k)（不再是(out_channels, in_channels, k, k)）
例如：输入为[1, 32, 64, 64]，要做深度卷积（32组，每组1通道），应写：
nn.Conv2d(in_channels=32, out_channels=32, kernel_size=3, groups=32)此时实际参数量仅为
32 × 1 × 3 × 3 = 288，远少于标准卷积的32 × 32 × 3 × 3 = 9216。
逐点卷积必须接在深度卷积之后，且groups=1
深度可分离卷积是两步操作，不能只靠一个Conv2d完成。第二步逐点卷积本质是1×1卷积，必须显式设groups=1（默认值），否则会出错。
- 错误做法：把
out_channels设得很大却仍用groups=in_channels→ 得到的是分组卷积，不是逐点变换 - 正确顺序：
depthwise = nn.Conv2d(32, 32, 3, groups=32) # 深度卷积<br>pointwise = nn.Conv2d(32, 64, 1, groups=1) # 逐点卷积（默认groups=1，可省略）
- 若漏掉
pointwise或误设groups=32，输出通道无法跨组混合，模型表达能力严重受限
常见报错：RuntimeError: Given groups=32, weight of size [32, 1, 3, 3], expected input[1, 16, 64, 64] to have 32 channels
这个错误说明输入通道数（16）和groups（32）不匹配。PyTorch要求in_channels % groups == 0，且每组输入通道数为in_channels // groups。
立即学习“Python免费学习笔记（深入）”；
- 典型翻车点：输入是
16通道，却写了groups=32→ 直接报错 - 正确检查项：
- 确认
in_channels能被groups整除 - 若要做标准深度卷积，
groups必须等于in_channels，不能更大 - 输入张量的
C维必须严格等于in_channels，不能靠view或permute临时“凑”
- 确认
性能与兼容性：不同groups值对CUDA加速和ONNX导出的影响
groups > 1在多数GPU上仍可高效运行，但某些旧驱动或TensorRT版本对非groups=1或groups=in_channels的支持不稳定。
- PyTorch 1.12+ 对
groups=in_channels有专门优化，速度接近标准卷积 - ONNX导出时，
groups=in_channels会被映射为Convwithgroupattribute，主流推理引擎（ONNX Runtime、TensorRT）均支持 - 但若
groups是中间值（如in_channels // 2），部分后端可能回退到CPU或报Unsupported op - 实际部署前务必用目标环境测试
torch.onnx.export+ 推理验证
深度可分离卷积的“可分离”特性不在API命名里，而在groups和后续1×1的组合逻辑中；漏掉任意一环，就只是个普通分组卷积。
