1.

x = F.max_pool2d(x, kernel_size=3, stride=2, padding=1)

self.conv2 = nn.Conv2d(96, 96, kernel_size=3, stride=2, padding=1)

self.conv4_0 = nn.Conv2d(128, 128, kernel_size=5, stride=2, padding=2)

增大感受野的方法
主要的方法是从增加网络的深度出发（这也是为什么神经网络在初期越深的网络模型效果越好的原因如VGG16等）

pooling 池化
池化主要任务是对数据降维，减小网络参数，提升网络的计算效率，同时，池化也是增加感受野的方法之一，但在增加感受野的同时，伴随着分辨率的降低，图像细节损失
dilated conv空洞卷积
空洞卷积的出现为了解决pooling层增大感受野之后进行上采样（增加图像的分辨率）过程中，图像信息缺失问题。

图(a)是普通卷积的运算看到的感受野大小，卷积后的每个像素能看到的卷积前图片的区域为3x3，图（b）可以当成是使用卷积核为7x7进行卷积运算，但其中只有标记为红色的9个点参与计算（dilated为2），能看到的感受野范围是7x7大小，同理图（c）可以当成是使用卷积核为15x15进行卷积运算，但其中只有标记为红色的9个点参与计算（dilated为4），能看到的感受野范围是15x15大小.
同时，注明一下几点：

空洞卷积与普通卷积相比，增加了感受野，但是不会增加需要训练的参数的量，因为，感受野增加范围内的其他像素点是选择性的跳过，能看得到，但是不需要计算。
是选择性的跳过了部分的像素值进行卷积计算，并不是增加padding，填充像素0的操作。

 在Pytorch中可以在torch.nn.Conv2D(,,,,,,,dilated=rate)实现。

from torch import nn
import torch.nn.init as init
def transform():
    return Compose([
        ToTensor(),
        # Normalize((12,12,12),std = (1,1,1)),
    ])

arr = range(1,26)
arr = np.reshape(arr,[5,5])
arr = np.expand_dims(arr,2)
arr = arr.astype(np.float32)
# arr = arr.repeat(3,2)
print(arr.shape)
arr = transform()(arr)
arr = arr.unsqueeze(0)
print(arr)

conv1 = nn.Conv2d(1, 1, 3, stride=1, bias=False, dilation=1)  # 普通卷积
conv2 = nn.Conv2d(1, 1, 3, stride=1, bias=False, dilation=2)  # dilation就是空洞率，即间隔
init.constant_(conv1.weight, 1)
init.constant_(conv2.weight, 1)
out1 = conv1(arr)
out2 = conv2(arr)
print('standare conv:\n', out1.detach().numpy())
print('dilated conv:\n', out2.detach().numpy())