[LAB 02 · 参数迁移：冻结、局部与全量微调](/course/notebooks/4bd450d54870432db91c80a4df563b8e.html)

# 学习路径： 表示怎样迁移到新任务
[独立阅读](/course/notebook-blocks/60d63838f97a43df9e3cf8ed118ce0da.html)
按问题继续

同源参数的冻结/局部/全量/scratch与BN模式辨析

**学习路径：** [表示怎样迁移到新任务](/course/study/readout-transfer.html)

**允许改变参数以后，已有权重是否比从头训练更有用？**

先读目标数字图和四臂参数范围：只训练新头、解冻后部、全部微调、随机起点。随后只按验证交叉熵选择停点和方案，最后读取保留评价。保存协议中scratch较好；用它检查“迁移必然获益”的直觉，而不是换一套口径把结果改好。

留下四行比较，写清起点、哪些参数更新、验证选择与保留结果。[P23](/course/pages/l3-r2-p23.html)区分冻结读出和微调，[解释这次负结果](/course/blocks/adaptation-scope-and-negative-result.html)说明能带走的判断。

输入是MNIST数字≥5，叶片图只是应用情境。重算从准备单元开始，保持源checkpoint不变；需要新结论时另留评价集。只想判断现成表示而不改参数，请用[LAB 01](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/4dd8605ed9904820919ea9e13d9e7d7c)。