本教程假设你已有Python基础，并安装了PyTorch（建议1.13以上版本）。首先导入必要库：torch、torchvision、matplotlib。使用torchvision.datasets加载CIFAR-10，设置transform为ToTensor和Normalize。创建DataLoader时定义batch_size=64，shuffle=True。
定义简单的CNN模型：两个卷积层（Conv2d+ReLU+MaxPool2d），后接两个全连接层。输入图像3x32x32，第一个卷积层输出16通道，第二个输出32通道。展平后通过512维隐藏层，最终输出10个类别。
训练循环：设置损失函数CrossEntropyLoss，优化器Adam（lr=0.001）。每个epoch遍历训练数据，前向传播计算损失，反向传播更新参数。每100个batch打印一次损失。验证集上计算准确率，防止过拟合。
训练10个epoch后，模型在测试集上正确率约70%。可尝试增加卷积层数、使用Dropout、数据增强（随机翻转、裁剪）提升效果。保存模型用torch.save(model.state_dict(), 'model.pth')。加载时需先实例化相同结构模型再load_state_dict。
注意：GPU训练需将模型和数据移至cuda，即model.to('cuda')和inputs, labels = inputs.cuda(), labels.cuda()。若内存不足，减小batch_size或使用混合精度训练。本教程完整代码可在GitHub仓库找到，欢迎参考。