LAB 01 · 固定表示：标签预算与读出

源模型曾用 MNIST 训练排列的前 12,000 张学习十分类；排列末尾 10,000 张作源验证

按问题继续

固定CNN与缓存特征、标签预算、kNN/linear和独立评价

源模型曾用 MNIST 训练排列的前 12,000 张学习十分类；排列末尾 10,000 张作源验证。本册固定使用同一排列的第 12,000–12,639 张，共 640 张，沿用L03-LAB 02 参数迁移实验的固定划分，分成 256 训练、128 验证、256 保留评价。它们不与源训练、源验证重叠。像素除以 255，再整体右移 2 像素，左侧补零、右侧裁切。目标是 digit >= 5。

这检查的是样本索引分离。数据未提供写字者分组，不能声称写字者独立。目标数据仍来自同一 MNIST 数据集；它不是跨领域自然图像实验。

**本册一次性固定协议：**读出采用 L2 单样本特征归一化；近邻 k=5、均匀投票；线性逻辑回归 C=10。它们不是经过充分调优的最佳基线。标签预算使用同一训练顺序的嵌套前缀 32/64/128/256，不根据评价结果重新抽样。保留集只在各臂拟合完、配置锁定之后评价；若阅读结果后再改方案，应另留新的评价集。