本页把前两页对象放回一条可追踪过程。纸面步骤与Notebook时序有细微差异，说明已明确标注。
一对同源视图、query/key编码、正键与旧字典、损失、query梯度、key EMA和下一批字典在同图逐步接齐。
现在把刚才拆开的部件接起来。同一图片产生两个视图，分别形成查询和正键；再加上队列中的其他键，构成这次需要区分的候选。 比较产生损失，损失通过查询分支改变参数。键编码器按自己的平均规则跟随，新的键进入队列，旧键离开。下一批数据到来时，网络参数和字典内容都已经不是上一批的状态。 请沿着箭头看：视图关系提供答案，损失提供更新方向，字典组织提供更多比较对象，慢编码器支持跨步复用。我们不需要在课堂手写整个训练框架，但要能够说明每个部件解决什么问题。否则拿掉一个部件以后，连实验在检验哪项假设都说不清楚。
沿当前图逐项走：本批原图产生两视图；query/key编码器分别给出q、k⁺；q与k⁺及旧队列比较；loss更新query；key按EMA跟随；本次已经算出的k⁺入队、最老key出队。旧队列不因本步更新重算。
主讲画面按原论文Algorithm 1排列。当前LAB 07教学代码则在计算本批key之前执行EMA，再计算loss和query更新。这是训练步内的时序约定差异，读代码时必须跟着实际顺序，不要声称逐行相同。两者共享的关键机制是：query接受梯度、key停止梯度并平滑跟随、队列复用历史特征。
LAB 07另外在队列保存源图ID，屏蔽同源旧key，避免同一图片再次出现时成为自己的负例；不同源图仍可能属于同一类别。它没有论文的分布式ShuffleBN，训练15轮的效果也不用于论文排名。学生完成本节后，应能指出一条key何时生成、何时用于比较、何时离开。
以下为备课用模拟对话，不是实际课堂记录。
学生：“你说是前面算过的特征，图上到底哪几个？”
教师：“队列里的k1到k4是本步开始前就存在的。正在两视图分支里生成的k5是这次的新key。比较结束后k1离开，k5进入；你看下一批字典仍有k2、k3、k4。”
学生：“编码器已经变了，它们为什么还能比？”
教师：“这是设计需要处理的困难。query可以随梯度更新，key参数用EMA缓慢跟随，减少相邻批之间的变化。旧向量没有重算，所以只能说缓和漂移，不能说完全一致。队列越长，最旧条目越老，取舍就更明显。”
学生：“那EMA是不是改了队列里面的数？”
教师：“没有。看箭头：EMA连的是两套网络参数，FIFO操作连的是向量槽位。把这两条箭头分开，整步就清楚了。”
先读模拟对话并指着图回答，再读LAB 07真实训练函数；检查key无梯度、FIFO和源图ID屏蔽。
本图按 MoCo 原文 Algorithm 1 理解一次循环：两分支编码并对 key 停止梯度，使用旧字典计算损失，反传更新 query，EMA 更新 key 参数，再将本批键入队并移除最旧键。本页单样本教学循环：正键k+=k5，新字典为[k2,k3,k4,k5]，只移出k1。P15另用双样本说明入队批量，二者规模明确区分。字典旧向量不被追溯重算。