从LeNet到ResNeXt：用Python和PyTorch复现10个经典CNN模型（附完整代码）

卷积神经网络（CNN）的发展历程堪称深度学习领域最精彩的进化史之一。从1998年Yann LeCun提出的5层LeNet-5，到2017年ResNeXt的32路并行残差结构，这些里程碑式的架构不仅推动了计算机视觉的进步，更揭示了神经网络设计的核心思想。本文将带您用PyTorch亲手实现10个改变游戏规则的CNN模型，通过代码解剖每个架构的关键创新点。

1. 环境配置与基础工具

在开始构建经典模型之前，我们需要搭建统一的实验环境。推荐使用Python 3.8+和PyTorch 1.12+的组合，这是目前最稳定的深度学习开发环境之一。

python复制# 基础环境安装
conda create -n torch-cnn python=3.8
conda activate torch-cnn
pip install torch torchvision torchaudio
pip install matplotlib tqdm tensorboard

对于GPU加速，建议配置CUDA 11.3及以上版本。可以通过以下代码验证环境是否正常：

python复制import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"当前设备: {torch.cuda.current_device()}")

数据加载器是所有实验的基础组件。我们使用torchvision提供的标准化数据管道：

python复制from torchvision import transforms, datasets

# 通用数据预处理
train_transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

test_transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

# CIFAR-10数据集示例
train_set = datasets.CIFAR10(root='./data', train=True, download=True, transform=train_transform)
test_set = datasets.CIFAR10(root='./data', train=False, download=True, transform=test_transform)

2. LeNet-5：CNN的起源（1998）

作为CNN的开山之作，LeNet-5虽然只有5层，但已经包含了现代CNN的所有核心要素。让我们用PyTorch还原这个经典架构：

python复制import torch.nn as nn
import torch.nn.functional as F

class LeNet5(nn.Module):
    def __init__(self, num_classes=10):
        super(LeNet5, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5, stride=1)
        self.pool1 = nn.AvgPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5, stride=1)
        self.pool2 = nn.AvgPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, num_classes)

    def forward(self, x):
        x = F.tanh(self.conv1(x))
        x = self.pool1(x)
        x = F.tanh(self.conv2(x))
        x = self.pool2(x)
        x = x.view(-1, 16*5*5)
        x = F.tanh(self.fc1(x))
        x = F.tanh(self.fc2(x))
        x = self.fc3(x)
        return x

关键创新点实现：

• 原始论文使用tanh激活而非ReLU
• 平均池化层包含可训练参数（现代实现已弃用）
• 全连接层占比超过85%的参数量

训练这个"古老"模型时，需要注意几个历史性设计选择：

提示：原始论文使用均方误差(MSE)作为损失函数，现代实现通常改用交叉熵损失。学习率建议设为0.01，batch size设为128以保持历史准确性。

3. AlexNet：深度学习的复兴（2012）

AlexNet在2012年ImageNet竞赛中一战成名，其PyTorch实现展示了多个突破性设计：

python复制class AlexNet(nn.Module):
    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 96, kernel_size=11, stride=4),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(96, 256, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(256,