[LAB 01 · 固定表示：标签预算与读出](/course/notebooks/4dd8605ed9904820919ea9e13d9e7d7c.html)

# 从源 CNN 中取最后一个 32 维 ReLU 特征，丢弃原十分类头
[独立阅读](/course/notebook-blocks/484cd0a1452d4c14857fdf073dc58b31.html)
按问题继续

固定CNN与缓存特征、标签预算、kNN/linear和独立评价

从源 CNN 中取最后一个 32 维 ReLU 特征，丢弃原十分类头。**编码器参数全部冻结**；kNN 储存目标训练标签，线性读出用目标训练标签拟合权重。因此“冻结表示评价”并不等于“评价过程不需要标签”。

对同一标签预算比较 kNN/linear，是改变读出；对同一读出比较不同预算，是改变标签数量。共享图像、划分、预处理和源模型排除了这些因素的变动，但一个小任务、一个 seed 和固定超参数仍不足以给出普遍方法排名。