资源约束在本讲是方法选择的一个条件；真正需要回访它的是批内候选、MoCo缓存与MAE可见块。
目标、数据、计算三个相连节点，以及当前批次、历史特征、可见图块三个具体计算取舍。
找到可扩展的目标以后，训练也不会变成免费的。更多数据、更大的网络、更长的训练，仍然需要存储、计算和时间；设备之间合作，也有额外代价。 但这不是一页“模型很烧钱”的背景介绍。资源条件会影响方法怎么设计：候选特征能不能从历史批次复用？被遮住的图块是不是也要送进昂贵的编码器？这些选择会改变一次实验能够使用多少材料。 我们先记住这几个具体问题，后面看 MoCo 和 MAE 时就能回到它们。至于扩展定律、多设备分片和通信细节，属于后续系统展开的内容。今天只需要理解：好的学习目标，还需要一种可实现的计算组织。
扩大目标供给后，还要把训练真正做出来。当前批内对比会同时保留多张图两种视图的前向和反向状态；保存历史key的MoCo用特征缓存减少重复编码，但必须处理旧特征的一致性；MAE让较重编码器只处理可见图块，把补全位置的工作放到较轻解码器。
所以计算条件会参与方法设计，而不只是最后购买多少设备。我们可以先画资源账：本步编码多少新图，保留多少激活，缓存多少旧向量，下步需要重复什么。这个账足以理解接下来的batch、队列与可见块取舍。
本讲不在此展开并行算法、显存公式或分片通信。它们保留为第六讲预备阅读；这里带走的是同一个原则：需要更多比较对象，不一定等于同时反传更多图片；需要预测更多位置，也不一定等于让昂贵编码器看见所有位置。
先读本页计算接口，直接进入P8；多设备与分片算例是L06预备选读。