深夜十一點，狹窄的書房裡，只有書桌上的螢幕還亮著。
林晨盯著PyTorch官方教程的最後一個章節，已經看了三遍。螢幕上是一個完整的神經網路程式碼示例——IST手寫數字識別，深度學習界的“Hello World”。過去兩週，他像海綿一樣吸收著那些抽象的概念：張量、梯度、反向傳播、損失函式。數學補課起了作用，至少現在看到矩陣乘法不再發怵，能理解為什麼權重更新要用鏈式法則。但理解歸理解，距離“親手創造一個能思考的東西”，還隔著一段需要程式碼去填補的距離。
“跟著做一遍”。他對自己說，聲音在安靜的房間裡顯得格外清晰。新建Python檔案，匯入torch和torchvision。下載IST資料集——一個包含六萬張28x28畫素手寫數字圖片的經典資料集。程式碼跑起來，終端開始顯示下載進度。
林晨看著那些滾動的日誌，忽然有些恍惚。三十五歲，再次失業1個月，存款以每月兩萬多的速度消耗，自己卻在這裡下載一堆黑白數字圖片。這個場景如果拍下來給一年前的自己看，恐怕會覺得是個荒誕的玩笑。但資料下載完成的提示音把他拉回現實。
接下來是資料預處理：將圖片畫素值從0-255歸一化到0-1之間，轉換成PyTorch能處理的Tensor格式，分割成訓練集和測試集。這些步驟他已經在Jupyter Notebook裡練習過多次，手指在鍵盤上敲擊得流暢。真正的挑戰從定義模型開始。
教程提供了一個簡單的全連線神經網路：輸入層784個節點（28x28），兩個隱藏層各128個節點，輸出層10個節點（對應數字0-9）。結構圖在螢幕上展開，林晨逐行敲入程式碼。
class Net(nn.dule):
def __init__(self):
super(Net, self).__init__
self.fc1 = nn.Linear(784, 128)
self.fc2 = nn.Linear(128, 128)
self.fc3 = nn.Linear(128, 10)
def forward(self, x):
x = x.view(-1, 784)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
不到二十行程式碼。但林晨知道，這二十行背後是三十年來神經網路研究的結晶。每一層Linear代表一次矩陣乘法和偏置加法，每個ReLU啟用函式給模型注入非線性——正是這種非線性讓神經網路能夠擬合複雜的函式關係。
他想起大學時上的《人工智慧導論》，教授說神經網路是“黑箱”，輸入輸出之間是難以解釋的權重迷宮。當時覺得神秘，現在親手搭建時，卻感受到一種奇異的透明感——每一層都在做確定性的數學運算，所謂的“智慧”不過是這些運算在大量資料訓練後，權重被調整到能提取有效特徵的狀態。
“程式碼可以騙人，但邏輯不會”。他低聲念著自己的口頭禪，點選執行。
模型初始化完成。接下來是訓練迴圈的核心部分：定義損失函式（交叉熵損失）和最佳化器（隨機梯度下降SGD）。學習率設為0.01，一個保守的起始值。第一次訓練開始了。
林晨設定了5個epoch（遍歷整個訓練集的次數）。程式碼執行，GPU風扇輕微轉動——他慶幸自己當年配電腦時選了帶獨立顯示卡的型號，雖然是為了打遊戲，現在卻成了訓練模型的利器。
第一個epoch結束時，終端打印出損失值：2.302。準確率：10.3%。“跟隨機猜差不多”。林晨苦笑。IST有十個類別，隨機猜測的準確率應該是10%，模型現在幾乎沒學到任何東西。
但他沒有停。第二個epoch，損失降到1.876，準確率升到23.7%。第三個epoch，1.432，45.2%。數字的變化有種催眠般的魔力，他盯著螢幕，看著那些代表模型正在“學習”的證據。第四個epoch結束時，準確率突破了70%。損失值降到0.876。
林晨身體前傾，手肘撐在桌上。他能感覺到心跳在加速——不是因為緊張，而是因為某種接近真相的興奮。那些抽象的數學概念正在轉化為具體的、可測量的能力提升。模型在“理解”那些手寫數字的形狀特徵。
第五個epoch，最後一個。訓練迴圈在執行，進度條緩慢移動。林晨起身倒了杯水，回到座位時，剛好看到最終結果打印出來：Epoch 5/5, Loss: 0.356, Accuracy: 89.7%。
