参考视频
ResNext相当于ResNet的升级结构，只是更新了block结构。
（一）普通卷积与组卷积
1、假设输入的特征矩阵的channel=4，那么对于每一个卷积核，它的channel要与输入特征矩阵的channel保持一致，也=4；假设输出的特征矩阵的channel=n，那么意味着我们要使用n个卷积核进行处理。
设每个卷积核的高度和宽度都是k，输入特征矩阵的channel是Cin，因为输出特征矩阵的channel=n，因此有n个卷积核。每个卷积核需要的参数个数是：k X k X Cin
普通卷积所需要的参数个数：k X k X Cin X n
2、假设输入的特征矩阵的channel=4，那么对于每一个卷积核，它的channel要与输入特征矩阵的channel保持一致，也=2（因为将卷积核划分成两个组）；假设输出的特征矩阵的channel=n，那么意味着我们要使用n个卷积核进行处理。（因为将卷积核划分成两组，那么每组channel=n/2）
设每个卷积核的高度和宽度都是k，输入特征矩阵的channel是Cin，将输入特征矩阵分为g组。因为输出特征矩阵的channel=n，因此每个组的每个卷积核需要的参数个数是：k X k X Cin/g
而每个组需要n/g个卷积核，因此每个组的所有卷积核需要的参数个数是：
k X k X Cin/g X n/g
因为共划分成了g个组，那么组卷积所需要的参数个数：k X k X Cin/g X n/g X g
相当于对我们输入特征矩阵的每一个channel分配了一个channel为1的卷积核进行卷积。
（二）ResNet与ResNext对比
下面三组block模块，它们在数学计算上完全等价。
左图是ResNet，右图是ResNext，ResNext只是将ResNet的block替换成了组卷积，其准确率就更加提升了。（注意：ResNext只适合与深度>=3的网络）
