解释训练空间与使用空间可以不同，同时明确投影头不截断梯度，也不保证保存一切。
图像、编码器f、h、投影g、z及对比损失路径；第二状态从冻结h接出可训练线性读出。
SimCLR 在视觉编码器后面增加一个投影头。编码器得到 h，投影头把它变成 z，对比损失作用在 z 上；用于下游任务时，可以取投影头之前的 h。 这就给两个位置不同的分工可能：z 更直接服务于当前的视图比较，h 可能保留一些下游还用得上的变化。原工作通过实验比较了投影头的设计，这不是只为了多加几层。 但请注意，“提供这种可能”和“保证这种分工”不是一回事。损失仍然会通过投影头影响前面的编码器。我们不能看到这张结构图，就宣布某种颜色、边界或者其他细节一定安全地保存在 h 里。接下来用你们的问卷例子检查这个推论。
训练路径是 。投影头不是一道截断墙：链式法则中 ，梯度穿过g更新f。迁移时读取h，是选择另一个使用接口。
考虑一个可行构造：分别含形状与颜色，。两视图颜色不同但形状相同，那么z可以满足颜色不变性，而h仍有位置放颜色。这解释了投影头为什么可能缓和“训练要忽略”与“未来要保留”的冲突。
这个构造不保证网络一定学成这样。LAB 06的真实换色训练中，h的颜色5NN读出也接近机会水平（不等于所有读出都无法取得颜色）；有时z的形状读出反而优于h。正面理解是投影头提供了分工空间，实证问题则是训练后哪一层对哪项任务更有用。
f 是视觉编码器，g 是投影头。预训练的损失经 g 传播到 f；读出时冻结 f 并训练线性头。采用 h 不构成特定属性保留保证。
把表示中的任务信息、输入身份和读出函数类分开，避免用单一失败作过强结论。
四点 h 为 (−1,−1)、(−1,+1)、(+1,−1)、(+1,+1)，同号标签 0、异号标签 1。每一点都不同，标签由 h 完全确定；但两类位于对角，无法用一条直线完全分开。
左图每个输入都有独立坐标，标签也完全由坐标确定；但同类占据对角，不能用一条直线把两类完全分开。右图只保留乘积 ：两个异号输入都落在 −1，两个同号输入都落在 +1。现在一个零阈值 就能正确读取标签；每个数轴位置合并了两个输入，图中不通过抖动伪造不同的 z 值。
| h1 | h2 | 标签 y | z=h1h2 |
|---|---|---|---|
| −1 | −1 | 0 | +1 |
| −1 | +1 | 1 | −1 |
| +1 | −1 | 1 | −1 |
| +1 | +1 | 0 | +1 |
这个变换没有增加标签信息，并且合并了原来不同的输入身份。它是四点上的精确构造，不是某次训练得到的表征，也不能证明任意压缩都会改善读出，或少量训练样本一定能学出这个变换。
以下是备课用模拟追问，不是课堂实录。
学生：“既然左图不能画一条分界线，是不是标签信息已经丢了？”
教师：“先看数据表，每个 h 都仍唯一确定标签；失败的是单一直线这类读出。换一个乘积坐标后，一条阈值就足够。可是只看 z，你已不能恢复原来是哪一个同号角点。这正好把‘某任务的信息’‘原输入身份’和‘读出函数能否使用’分开。”
因此低维不必等于丢掉任务信息，线性失败也不必等于信息全无。LAB18 同时报告 XOR 读出与离散 bit 算例；把结论限定在明确的输入、标签和函数类上，比笼统说“表示越压缩越好”更准确。
读h=(u,c)构造，再看LAB 06的实际h/z表；需要区分信息与线性可读时读XOR块。