mobilenet strade=2

### MobileNet 中 Stride 2 的架构与实现细节

#### 架构设计原则
MobileNet系列模型在不同版本中均采用了深度可分离卷积来减少计算量并提高效率。当涉及到步幅(stride)为2的操作时，主要目的是降低特征图的空间维度，从而逐步减小后续层的输入尺寸。

对于stride等于2的情况，在MobileNet V1,V2以及V3中的处理方式有所不同：

- **MobileNet V1**
在原始的MobileNet V1结构里，采用标准的深度wise convolution加上pointwise convolution组合形式，并设置convolution layer的stride参数为2以达到降采样的目的[^1]。

- **MobileNet V2**
到了MobileNet V2阶段，引入了Inverted Residual Block的概念，其中包含了expansion layer、depthwise separable convolutions 和 linear bottleneck layers的设计理念。针对stride=2的情形，会在block内部的第一个1×1 expansion convolution操作保持默认stride=1不变的情况下，紧接着执行一次带有stride=2属性的3×3 depthwise convolution来进行下采样过程[^2]。

- **MobileNet V3**
进一步优化后的MobileNet V3继续沿用了类似的策略，不过增加了更多基于NAS(Network Architecture Search)自动搜索得到的新组件配置方案。同样地，在需要进行空间分辨率缩减的地方，会选择合适的building block并通过调整其内特定layer的stride值完成此功能。

#### 实现代码片段
以下是Python TensorFlow框架下的简化版MobileNet V2中具有stride=2特性的倒残差模块(InvertedResidualBlock)的部分实现示例:

import tensorflow as tf
from tensorflow.keras import layers

def inverted_residual_block(input_tensor, filters, kernel_size=(3, 3), strides=(1, 1)):
    t = layers.Conv2D(filters * 6, (1, 1), padding='same')(input_tensor)
    t = layers.BatchNormalization()(t)
    t = layers.ReLU(6)(t)

    # Depthwise Conv with stride=2 for downsampling when required
    if strides != (1, 1):
        t = layers.DepthwiseConv2D(kernel_size, strides=strides, padding='same', use_bias=False)(t)
    else:
        t = layers.DepthwiseConv2D(kernel_size, padding='same', use_bias=False)(t)

    t = layers.BatchNormalization()(t)
    t = layers.ReLU(6)(t)

    output = layers.Conv2D(filters, (1, 1), padding='same')(t)
    output = layers.BatchNormalization()(output)

    return output