先把第二讲的训练闭环收成可复用对象：参数、当前表示、类别头。由此引出本讲为何讨论训练信号和新任务。
红蓝两杯与书的同一底图，类别标签逐步增加两个杯框和语言指代。
上一讲，我们把网络拆开，看它怎样组织计算、怎样根据误差改变参数。今天把训练过程先停下来，留下已经训练好的网络。我要问的是：它到底给我们留下了什么？是一张类别对照表，还是一种可以继续使用的看图方式？ 看这张桌面照片。说出“有杯子”只是一个问题；找到杯子的位置，把杯子的像素分出来，再根据“书左边的杯子”找到目标，是另外几个问题。我们不希望每换一个问题，就把过去学到的东西全部作废。 今天沿三步往前走：先看这些表示还能怎样学，再看它怎样支持区域和像素，最后看语言怎样加入。每一步都追问同一件事：什么留下来，什么必须重新学习。
训练时，我们不断用图像、目标和损失修改参数 。训练结束后保存的是参数文件；把新图 送入它，才得到表示 。这两样东西不能混叫“特征”：前者是可复用的计算规则，后者是某个输入在这套规则下的输出。
分类头把 变成类别分数 。换成“哪一只杯子在左边”时，原分类头的类别名单往往无用，但前面识别轮廓、纹理和部件的计算可能仍有用。这就是移除原头、保留编码器的起点。它提出了一个可检验的假设：旧任务塑造的中间计算，能降低新任务学习的困难。
看当前图时，先指向“图像→表示”，再指向“表示→类别”。本讲第一部分改变前一段怎样学习，第二部分改变后一段要交付什么；不要求把所有问题塞进同一个输出向量。
读“训练留下参数”后，尝试给自己的科研输入、编码器与输出各写一个实例；暂不运行实验。
复用现有两杯一书原创场景；没有在画面中添加不存在的零件。框及文字为教学标注，不是模型输出。