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

# 标签变了，输入的笔画还在
[独立阅读](/course/notebook-blocks/dedeadf5249d49bcb62e1ae35677dada.html)
按问题继续

同源参数的冻结/局部/全量/scratch与BN模式辨析

**标签变了，输入的笔画还在。** 下面是目标训练集的前 8 个例子；y=1 表示数字 ≥5，y=0 表示数字 <5。

![真实目标训练样本及数字是否大于等于5的新标签](/assets/display/4b8038d5a4d30dbb2d163963.webp)

已保存的默认输入：官方 MNIST 训练图像，按本页固定索引取样，灰度除以 255，统一右移 2 像素、边界补零。图来自此前本地执行；不是叶片数据或生成数字。

源表示见过数字形态，却没用过这 640 个样本。已有表示是否有用、冻结是否足够、解冻越多是否越好，是三个不同问题。先选你预计最好的方案，并写一个可能推翻判断的结果。

`TRAIN_LIMIT` 控制训练量，`DX` 控制固定水平位移，`EPOCHS` 控制轮数；先运行默认值。三种迁移共用源检查点、新头初始化、批次顺序、优化器和预算。可更新参数与每步计算成本不同，不能称为等算力比较；从头训练检验起点的作用。改协议后就是新实验。