PyTorch实现LeNet5手写数字识别系统开发指南

1. 项目概述：当经典LeNet5遇上现代PyTorch

十年前我第一次接触MNIST手写数字识别时，还需要手动推导反向传播公式。如今借助PyTorch框架，我们能在几小时内搭建出带可视化界面的完整识别系统。这个项目实现了从算法到产品的完整闭环：底层使用PyTorch实现的LeNet5卷积神经网络，中层封装了模型训练与预测逻辑，上层则通过PyQt构建了可交互的手写画板。当你在画板写下数字时，系统能实时显示识别结果和置信度，整个过程就像在用智能手机的手写输入法。

2. 核心架构解析

2.1 LeNet5网络结构重设计

原版LeNet5诞生于1998年，当时是为灰度图像设计的。我们在PyTorch中对其进行了现代化改造：

python复制class LeNet5(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 6, 5, padding=2)  # 保持28x28尺寸
        self.pool1 = nn.AvgPool2d(2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.pool2 = nn.AvgPool2d(2)
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
        
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool1(x)
        x = F.relu(self.conv2(x))
        x = self.pool2(x)
        x = torch.flatten(x, 1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return