LAB 01 · 固定表示：标签预算与读出

学习路径： 表示怎样迁移到新任务

按问题继续

固定CNN与缓存特征、标签预算、kNN/linear和独立评价

学习路径： 表示怎样迁移到新任务

已经有一份表示，只增加标签或改变读出，会发生什么？

先看下方8张固定数字图，接着读32/64/128/256标签预算下的kNN与线性曲线，最后选一个两种读出意见不同的误例。编码器始终冻结；标签训练的是读出，不是图像表示。

你的产出是一句有数值依据的比较：在相同标签预算下哪一种读出更好，并给出“表示信息”之外的一个可能解释。P23本页说明与这项固定表示证据保留前后文。

需要重算时从准备单元顺序运行；资产和源checkpoint会核对身份。保存输出是已有本地结果。若下一步要允许编码器改变，再接LAB 02参数适配，不必先做其他实验。