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

# 先看一个真实的、可能推翻直觉的参考结果
[独立阅读](/course/notebook-blocks/d3888686b40d4fe0a93aac929dce690a.html)
按问题继续

同源参数的冻结/局部/全量/scratch与BN模式辨析

**先看一个真实的、可能推翻直觉的参考结果。** 每轮结束冻结当前模型计算训练与验证交叉熵，各组保留验证交叉熵最低的检查点。

![四种训练范围的真实训练和验证损失，scratch在本协议中最低](/assets/display/47c2e01ecbe2f0f54b67b0cb.webp)

已保存本地运行：课件源检查点 `ba8b738c…14eeba3`，256 训练/128 验证，统一右移 2px，seed=20260917，Adam lr=.002，batch=64，各 4 轮。两图纵轴相同；右图空心圈是各组所选停点。最低验证 CE：head 1.906、late .877、all .849、scratch .611。本图读取已保存数值绘制；没有把它写成此次 Deepnote 云端输出。

**先回答：** 按预先写好的验证选择规则，这次应该选谁？scratch 获胜说明当前协议里预训练并未自动带来优势；它不能证明迁移普遍无效。短预算、相同学习率和这项特定二分类都限制结论。

下面会训练你的 4 个小模型，不覆盖既有源模型与课件响应。先保持默认协议核对，再进入最后的保留集评价；此时不能用保留结果回头挑更新范围。