<p>用 matplotlib 可视化 Conv2d 卷积核需先提取 state_dict 中对应权重（如 conv1.weight），对每个输出通道的输入通道核归一化后拼成网格图，避免全黑/白需统一 vmin/vmax 或 (w - w.min()) / (w.max() - w.min() + 1e-8)。</p>
怎么用 matplotlib 直接画出 Conv2d 层的卷积核
PyTorch 模型权重本身是 torch.Tensor，不带空间结构信息；直接 .numpy() 会得到 (out_channels, in_channels, H, W)，但 matplotlib 的 imshow 只接受 2D 或 3D（RGB）数组。必须先做通道拆解或聚合。
- 最常用做法：对每个输出通道，把它的所有输入通道卷积核拼成网格图——比如 3×3 卷积、64 个输出通道、3 个输入通道，就得到 64 张 3×3 的小图，每张含 3 个子图（可按输入通道叠成 RGB，或单独灰度显示）
- 简单粗暴但有效：取绝对值后归一化到 [0,1]，避免负值导致全黑；用
vmin/vmax统一尺度，否则不同通道亮度差异大，看不出分布规律 - 别直接
plt.imshow(weight[0])—— 这里weight[0]是 shape (3, 3, 3)，matplotlib 会报Invalid shape for image data
state_dict() 里哪个 key 对应卷积核权重
不是所有 Conv2d 层都叫 conv1.weight，命名完全取决于模型定义方式。必须先查清楚实际 key 名，否则 KeyError 是最常见的失败原因。
- 用
model.state_dict().keys()打印全部 key，找含.weight且维度为 4 的项（如torch.Size([64, 3, 3, 3])） - 常见陷阱：
features.0.weight（VGG）、layer1.0.conv1.weight（ResNet）、backbone.stem.conv.weight（Detectron2），没有统一路径 - 如果模型用了
nn.Sequential且没给 named_children，key 会是数字索引，比如0.weight，这种更难定位，建议先用print(model)看结构
画多张卷积核时，为什么图像全白或全黑
本质是数值范围没对齐：float32 权重常在 [-0.1, +0.1] 区间，imshow 默认按 [0,1] 映射，超出就裁剪成黑/白。
- 必须手动归一化：用
(w - w.min()) / (w.max() - w.min() + 1e-8)，加1e-8防止除零 - 更稳妥的做法：用
torch.quantile截掉 1% 极端值，再归一化，避免单个异常值拉垮整张图对比度 - 别依赖
plt.imshow(..., cmap='gray')就万事大吉——灰度图对负值不友好，先取绝对值或偏移后再映射
想快速检查某层权重是否训练正常，该看什么
不是看“有没有值”，而是看分布形态和动态范围。刚初始化的权重接近正态分布，训练后会变稀疏或出现明显方向性。
- 用
plt.hist(weight.flatten(), bins=50)快速看分布：正常训练中后期应有轻微偏斜、两端衰减快；若仍像高斯钟形，可能还没开始学；若全堆在 0 附近，可能是梯度消失或学习率太小 - 计算标准差：
weight.std().item()—— 初始化时通常 ~0.03（He 初始化），训练后若降到 0.001 以下，大概率出问题 - 注意
weight.grad是否为None：如果想可视化梯度却画不出，八成是没执行loss.backward()或该层被torch.no_grad()包裹了
事情说清了就结束。真正卡住的往往不是代码怎么写，而是你看到的那张图——它到底反映的是权重本身，还是你归一化时悄悄丢掉的动态范围。
