[CLS 01 · 学习信号、表示与迁移](/course/notebooks/fb4365d604974dd19df492cb22516e44.html)

# 同一目标可以采用不同的候选组织
[独立阅读](/course/notebook-blocks/1e9ce6ce90244f8f9ebc22b75fb1db8a.html)
主线阅读与优先实验

标签供给、文本目标接口、视图/队列/MAE图与表示迁移证据

### 同一目标可以采用不同的候选组织

SimCLR主要比较当前批的双视图；MoCo把历史key放进字典。前者获得一致的当前编码，后者让候选容量与batch部分解耦，代价是旧特征陈旧性。方法组件可以组合，不是一条“新方法淘汰旧方法”的封闭家谱。

训练路径 `x → f → h → g → z → loss` 中，损失在z计算，梯度仍经过g回到f。迁移时读取h是另一种接口，而不是保证h保留全部颜色。[在 z 上比较，为什么 h 仍会学习？](/course/blocks/projection-head-gradient-and-retention.html) 给出完整构造，[已有图像训练给出了一次明确的取舍](/course/blocks/color-ablation-existing-image-evidence.html) 给出相反直觉也可能出现的实际读出结果。

想深读此线，只需继续 [CLS 05 · 对比学习：视图、投影与历史字典](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/b8320404134f4a2e858ccfe7d50a71d3?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=b8320404134f4a2e858ccfe7d50a71d3&utm_term=get_notebook)；暂时不必再从所有Notebook目录重新选择。