在'；Keras&x27；的ResNet50模型；，为什么使用步幅为2的1x1卷积？

ResNet50在这里：

在“conv_块”中，第一层如下所示：

x = Conv2D(filters1 = 64,           # number of filters
           kernel_size=(1, 1),      # height/width of filters
           strides=(2, 2)           # stride
          )(input_tensor)

我的问题是: 这一层不会漏掉一些像素吗？

---

这种1x1卷积只看1个像素，然后移动2个像素（步长=2）。

在Resnet的原始论文中提到：

卷积层主要有3×3滤波器和 遵循两个简单的设计规则：（i）对于相同的输出 特征图大小，图层具有相同数量的过滤器；和（ii）如果特征图大小减半，则过滤器的数量将增加一倍，以保持每层的时间复杂度。我们通过以下方式直接执行下采样： 步幅为2的卷积层

<>你可以认为它是一个置换池的替代物，它比计算整个激活图，然后汇集它减少了整个模型的计算复杂度。