【DS検定】軽量モデルの必須テクニック！「グループ畳み込み」の仕組み
画像認識モデル（CNN）の計算量とパラメータ数を劇的に減らすために使われる発展的なテクニックが「グループ畳み込み（Grouped Convolution）」です。モバイル端末などで高速にAIを動かす「軽量化モデル」のバックボーンとなる重要構造を整理しましょう！
1. 【 問題 】
通常の畳み込み（Normal Convolution）ではすべての入力チャネルと出力チャネルが全結合のように計算されるのに対し、入力チャネルと出力チャネルをいくつかの「グループ」に分割し、グループ内で独立して畳み込み処理を行うことで、パラメータ数と計算量を削減する手法を何と呼ぶでしょうか？
① グループ畳み込み（Grouped Convolution）
② 点別畳み込み（Pointwise Convolution）
③ 転置畳み込み（Transposed Convolution）
④ 空白畳み込み（Dilated Convolution）
2. 【 解答 】
3. 整理：なぜ計算量とパラメータ数が減るのか？
通常の畳み込みとグループ畳み込みの違いは、「チャネル間の計算をどこまでやるか」です。
【 通常の畳み込み vs グループ畳み込み 】
すべての入力チャネル（例：64個）とすべての出力チャネル（例：64個）が密に結合して計算されます。
・グループ畳み込み（例：G 個のグループに分割）：
入力チャネルと出力チャネルを G 個のグループに切り分けます。
・グループ1：入力1〜32チャネル ＝＞ 出力1〜32チャネルのみ計算
・グループ2：入力33〜64チャネル ＝＞ 出力33〜64チャネルのみ計算
★ 最大のメリット：
グループをまたぐ計算が発生しないため、パラメータ数および計算量が「1 / G（グループ数分の一）」に激減します！
4. 応用・派生技術：Depthwise Separable Convolution
グループ畳み込みの概念を極限まで押し進めたのが、スマホ用AIの定番モデル「MobileNet」などで使われる超重要技術です。
| 手法名 | 仕組み・特徴 |
|---|---|
| Depthwise Convolution （チャネルごとの畳み込み） |
グループ数を「入力チャネル数と同じ（G = チャネル数）」にした極限のグループ畳み込み。1つのチャネルに1つのフィルタだけを適用するため、空間方向の計算量が最小化される。 |
| Depthwise Separable Convolution |
上記の「Depthwise Convolution（空間方向）」と「1×1 Pointwise Convolution（チャネル方向）」を分離して組み合わせる手法。MobileNetの超軽量化の秘密。 |
5. DS検定形式：実戦4択クイズ
问：畳み込みニューラルネットワーク（CNN）における「グループ畳み込み」に関する記述として、最も適切なものはどれか。
① グループ数を増やすほど、モデル全体のパラメータ数と計算量は増加し、推論速度が大幅に低下する。
② 入力チャネルと出力チャネルを複数のグループに分割し、グループをまたぐ計算を無くすことで、パラメータ数と計算量を削減できる。
③ グループ畳み込みは画像解像度を縦横に拡大（アップサンプリング）するための特殊な層であり、軽量化目的では使われない。
④ 1つの画像をRGBの3色グループに分ける操作のことであり、中間層（隠れ層）のチャネルには適用できない。
【 正解： ② 】
解説： グループ畳み込みの基本特徴を問う問題です。
②が正解です。グループに分割して相互の計算を独立させることで効率化します。
①グループ数を増やすと、パラメータ数と計算量は「1 / グループ数」に減少します。
③アップサンプリングに使われるのは「転置畳み込み（Transposed Convolution / Deconvolution）」などです。
④RGB画像だけでなく、中間層の数十〜数千チャネルに対しても自由にグループ分割を適用できます。
6. まとめ
DS検定やG検定で「チャネルをいくつかのグループに分ける」「グループごとに独立して畳み込む」「計算量やパラメータ数を1/Gに減らす」といったキーフレーズが出たら、正解は「グループ畳み込み」です！ さらにグループ数を極限まで増やした「Depthwise Convolution」や「MobileNet」とも深く関連していますので、セットで押さえておきましょう！
