LeNet
是第一个成功应用的卷积神经网络，用于手写数字识别（MNIST 数据集）。
nn.Conv2d(1, 6, 5, padding=2)：1通道→6通道，5×5核，保持28×28
nn.Sigmoid()：激活函数（LeNet时代用，现在多用ReLU）
nn.AvgPool2d(2, 2)： 2×2平均池化，尺寸减半
nn.Flatten()：把 N, C, H, W 展平为 N, C×H×W
nn.Linear(16*5*5, 120)：全连接，400→120
++++检查各层输出尺寸变化：++++
精度评估函数（在GPU上完成）：
如果是 nn.Module，设置为评估模式eval()
获取模型所在的设备
net.parameters() ：返回所有参数的迭代器
iter(net.parameters())：转成迭代器
next(...)：取第一个参数.param.device
++++看它在 CPU 还是 GPU++++
累加器：记录 正确预测数, 总预测数
不计算梯度no_grad遍历数据集，把数据搬到device
计算精度
net(X)：前向传播，输出 batch, 10 的分数
d2l.accuracy(..., y)：计算这批有多少预测正确
y.numel()：这批有多少样本
返回准确率
训练函数的实现：
Xavier 初始化
确保模型在GPU上运行
优化器和损失：
随机梯度下降和交叉熵损失
开始训练，外层遍历epoch，设置训练模式，初始化metric（损失总和, 正确数, 样本数）
内层循环遍历batch
指标计算
*optimizer = torch.optim.SGD(net.parameters(), lr=lr)
optimizer.step()的内部实现过程：
++++PyTorch 训练的标配框架：++++Xavier初始化 → SGD优化器 → 6步训练循环（清梯度→搬数据→前向→算损失→反向→更新）→ 实时画图监控。
AlexNet
结构特点：
更深更大：8层（LeNet 5层），60M 参数（LeNet 60K）
ReLU 激活：替代 Sigmoid，++++解决梯度消失++++，训练更快
Dropout：随机丢弃神经元，防止过拟合
MaxPooling：替代平均池化，保留最强特征
++++AlexNet与LeNet的结构对比：++++
AlexNet和LeNet的设计理念非常相似，但也存在显著差异。
（1）AlexNet比相对较小的LeNet5++++要深得多。++++AlexNet由八层组成：五个卷积层、两个全连接隐藏层和一个全连接输出层。
（2）AlexNet使用++++ReLU++++而不是sigmoid作为其激活函数。
（3）隐藏全连接层后加入了丢弃层
（4）数据增强
++++AlexNet = 大核开局(11×11) → 小核精细(3×3) + ReLU加速 + Dropout防过拟合 + 数据增强扩样本（人为扩充数据集，让模型更鲁棒）++++ ++++。++++
具体的实现：
框架
每个层输出的情况：
调用上面创建的train_ch6训练函数
