resnet18可视化输出各层feature map及卷积核；

ResNet18是一种深度残差网络，主要用于图像识别任务。它包含几个卷积块，每个卷积块内部有卷积层、批量归一化和ReLU激活函数。要可视化ResNet18模型的特征映射（Feature Maps），特别是卷积核，你可以采用以下步骤：

1. **安装必要的库**：首先需要安装像`torchvision`, `matplotlib`等库来处理图像和绘制可视化。

pip install torchvision matplotlib

2. **加载预训练模型**：从`torchvision.models`模块导入ResNet18，并将其设置为评估模式（inference mode）以关闭Dropout和BatchNorm。

import torch
from torchvision import models

model = models.resnet18(pretrained=True)
model.eval()

3. **选择特定层**：通常我们会对卷积层进行可视化，因为它们生成特征图。ResNet18的第一个卷积块（residual block）后的第一个卷积层（即`conv1`之后的`maxpool`）是个不错的选择。

4. **准备输入数据**：创建一个小张量作为输入，可以是一个随机的小尺寸图片或者固定的图片示例。

input_tensor = torch.randn(1, 3, 224, 224)  # 输入尺寸应该是模型期望的大小
inputs = {'image': input_tensor}

5. **前向传播并获取中间层输出**：通过模型计算输出，同时记录关键层的输出。

features = {}
with torch.no_grad():
    output = model(**inputs)
    features['output'] = output
    features['conv1'] = model.layer1[0].conv1.register_forward_hook(get_activation_hook('conv1'))(inputs)['output']
    # 可能需要根据模型结构添加更多层的hook

6. **可视化函数**：创建一个函数用于提取并显示特征映射（如`get_activation_hook`），这里我们可以使用`torchvision.utils.make_grid`来展示多通道的特征图。

def get_activation_hook(name):
    def hook(model, input, output):
        features[name] = output.data.squeeze().detach()
    
    return hook

7. **显示特征映射**：现在你有了特征映射数据，可以用`make_grid`将其转换为图像并显示。

import numpy as np
import matplotlib.pyplot as plt

def visualize_features(features, num_rows=8, num_cols=8):
    images = []
    for name, feature in features.items():
        if len(feature.shape) == 4:  # 如果是多通道特征，取平均
            feature = np.mean(feature.cpu().numpy(), axis=(1, 2))
        images.append(feature)

    grid_image = torchvision.utils.make_grid(torch.from_numpy(np.array(images)), nrow=num_rows, padding=2)
    plt.imshow(grid_image.permute((1, 2, 0)))
    plt.title(f"Layer {name} Feature Maps")
    plt.show()

visualize_features(features)