在卷积神经网络设计中，可以采用哪些技术手段来降低卷积层的参数数量？

回答思路

1. 【回答框架 1】减少卷积层参数量的核心是降低卷积核的尺寸、通道数或层间连接数。常见方法包括使用 1x1 卷积、深度可分离卷积、分组卷积、空洞卷积、全局平均池化以及减小卷积核尺寸等。
2. 【回答框架 2】深度可分离卷积将标准卷积分解为逐通道卷积和逐点卷积，参数量约为标准卷积的 1/3 到 1/9，具体取决于输入输出通道数。逐通道卷积负责空间特征提取，逐点卷积负责通道间信息融合。例如对输入 HxWxC，输出 HxWxM，标准卷积核尺寸为 KxKxCxM，而深度可分离卷积参数量为 KxKxC + 1x1xCxM，通常显著减少。
3. 【回答框架 3】分组卷积将输入和输出通道分组，每组独立进行卷积，参数量降为原来的 1/G（G 为分组数）。类似于 ResNeXt 中采用的聚合变换，但需注意分组过多会抑制通道间信息交流，可能影响精度，可配合通道混洗（如 ShuffleNet）缓解。
4. 【回答框架 4】1x1 卷积用于调整通道数，本身参数量小，常用于降维以降低后续卷积的计算量。空洞卷积通过调整膨胀率扩大感受野但不增加参数量，适合分割和检测任务，但需注意膨胀率过大会导致局部信息丢失。
5. 【回答框架 5】降低卷积核尺寸（如从 5x5 改为 3x3 堆叠）也能减少参数量，同时增加非线性。此外，全局平均池化替代全连接层可直接减少大量参数，但属于全连接层优化。实际问题中，可结合网络剪枝、权值共享、量化等方法进一步压缩参数。
6. 【关键点 1】深度可分离卷积将标准卷积分解为逐通道和逐点卷积，参数量大幅降低。
7. 【关键点 2】分组卷积参数量减为原来的 1/G，但需注意通道信息交流。
8. 【关键点 3】1x1 卷积常用于降维，减少计算量。
9. 【关键点 4】空洞卷积扩大感受野而不增加参数。
10. 【关键点 5】全局平均池化替代全连接层可减少参数。
11. 【易错点 1】分组过多会阻碍通道间信息流动，需配合通道混洗。
12. 【易错点 2】空洞卷积膨胀率过大会导致网格效应，丢失局部细节。
13. 【易错点 3】仅减少参数可能影响模型精度，需权衡计算效率与性能。