同一表示，增加标签与改变读出是两种干预
课堂上下文：从哪个问题来
把第一部分的方法转为使用与评价：冻结读出问现成表示，微调问适配起点，二者应各有协议。
LAB 01使用一个已有有监督CNN的32维表示，目标为MNIST数字是否≥5。640个目标样本与源模型训练/验证索引分离，目标再分256训练、128验证、256保留；图像统一右移2像素。
保存结果中，标签32→256时，kNN保留准确率从0.7148到0.9492；固定C=10的线性逻辑回归从0.6133到0.8359。编码器从头到尾未变，所以差别来自标签预算与读出使用方式，而不是编码器重新学了一次。
这提供一个很具体的学习动作：先固定预算比较两种读出，再固定读出比较预算。不要把这组结果误读成“自监督胜过监督”；源CNN本来就是监督训练的。也不要据单次差距断言表示中没有某种信息——正则强度和读出函数类都是竞争解释。