从理论到代码：PyTorch实战经典CNN架构解析

记得第一次看完吴恩达教授的《卷积神经网络》课程时，那种既兴奋又困惑的感觉至今难忘——屏幕上精美的卷积动图让人眼前一亮，但回到自己的Jupyter笔记本前，却不知如何将这些数学公式变成可运行的代码。这就像学完了汽车原理却找不到方向盘在哪。本文将用PyTorch这座"桥梁"，带你跨越理论与实践的鸿沟，亲手搭建CNN发展史上两座里程碑：LeNet-5和AlexNet。

1. 环境配置与PyTorch基础

工欲善其事，必先利其器。在开始构建神经网络之前，我们需要准备好开发环境。推荐使用Python 3.8+和PyTorch 2.0+版本，这两个版本的组合在稳定性和功能支持上达到了最佳平衡。

安装PyTorch非常简单，只需运行：

bash复制pip install torch torchvision torchaudio

PyTorch的核心数据结构是Tensor，它类似于NumPy的ndarray，但具有GPU加速功能。下面是一个快速对比：

提示：在Jupyter notebook中，可以使用%matplotlib inline魔法命令直接显示图表，方便调试和可视化。

理解PyTorch的自动微分机制至关重要。这个被称为autograd的系统，能够自动计算导数，让我们从繁琐的手动求导中解放出来。试看这个简单的例子：

python复制import torch

x = torch.tensor(2.0, requires_grad=True)
y = x**2 + 3*x + 1
y.backward()
print(x.grad)  # 输出导数