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

# 学习路径： 表示怎样迁移到新任务
[独立阅读](/course/notebook-blocks/a799601f42af4e829f4f480e7556f82e.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

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

**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](/course/pages/l3-r2-p23.html)与[这项固定表示证据](/course/blocks/fixed-representation-label-budget-evidence.html)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](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/4bd450d54870432db91c80a4df563b8e)，不必先做其他实验。