Vision Transformer特征图可视化无法识别Conv2d层问题

判断逻辑始终返回False的核心原因有3个：

• 最外层遍历命中不到卷积层：你打印的model.children()输出明确显示，模型最外层的直接子模块是OverlapPatchEmbed自定义块、nn.ModuleList容器，没有直接挂载在模型最顶层的Conv2d层，第一层循环的类型判断天然不会成立。
• 分支覆盖不全：你的代码只写了nn.Sequential类型的子模块遍历逻辑，完全没处理模型里实际存在的OverlapPatchEmbed自定义模块、nn.ModuleList容器，嵌套在这两类模块里的Conv2d根本不会被检测到。
• 类型写法不统一+判断方法鲁棒性差：判断条件里一处写Conv2d（未带nn.前缀）、一处写nn.Conv2d，如果没有单独从torch.nn导入Conv2d类，第一处判断本身就存在名称错误；就算导入正确，用type() == 类名的写法遇到继承自Conv2d的自定义卷积类会直接匹配失败，PyTorch场景下推荐用isinstance()做类型判断。

最简便的方案是直接调用PyTorch内置的model.modules()方法，它会自动递归遍历模型所有层级的子模块，不需要手动处理各种容器类型的分支：

conv_layers = []
model_weights = []

# 自动递归遍历所有嵌套层级的模块
for module in model.modules():
    if isinstance(module, nn.Conv2d):
        conv_layers.append(module)
        model_weights.append(module.weight)

print(f"Total convolution layers: {len(conv_layers)}")
print(conv_layers)

如果需要自定义遍历逻辑，可以写递归函数覆盖所有容器类型，避免漏检：

conv_layers = []
model_weights = []
conv_count = 0

def traverse(module):
    global conv_count
    # 命中卷积层直接记录
    if isinstance(module, nn.Conv2d):
        conv_count += 1
        conv_layers.append(module)
        model_weights.append(module.weight)
        return
    # 递归遍历当前模块的所有子层，自动适配Sequential/ModuleList/自定义模块等所有容器
    for child in module.children():
        traverse(child)

traverse(model)
print(f"Total convolution layers: {conv_count}")
print(conv_layers)

运行前确认已正确导入torch.nn并命名为nn，不要混用带nn.前缀和不带前缀的Conv2d引用，避免触发名称错误。

内容的提问来源于stack exchange，提问作者Khawar Islam