想象一位老厨师要跳槽到新餐厅。新厨房的灶台、烤箱、锅具全都不一样，但他没有从零开始摸索，而是从老厨房带来一本厚厚的手记：上面记录着各种食材在什么火候、什么时间下最合适。到了新厨房，他只做了几道小菜试了试火，就把手记里的经验校准到新灶台上，很快就能出一桌好菜。 自动调优中的「调优迁移学习」就是这个道理。TVM 在为新硬件或新模型寻找最快计算配置时，每试一种配置都要真实测量一次，开销很大；如果每次都从零开始，成本高得吓人。迁移学习能把「老厨房」里积累的调优经验（源域的代价模型参数）搬到「新厨房」（目标域），只要少量测量数据就能快速建立有效的性能预测模型，大幅降低调优成本。

岗位关联

对 AI 从业者而言，掌握调优迁移学习，意味着你在做编译器性能优化、模型部署加速时，不必每次换硬件或换模型都从零调优；这是 AI 系统工程里最实用的降本增效技能之一。

目录
  1. 可视化演示
  2. 背景痛点
  3. 迁移思想
  4. 代价模型
  5. 参数迁移
  6. 调优流程
  7. 收益场景
  8. 挑战实践
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示调优迁移学习如何将源域调优经验迁移到目标域，在少量测量数据下快速建立有效的性能预测模型，降低调优成本。

本节配有交互动效（进入视口后自动加载，约 3KB）。

调优迁移学习 源域调优经验积累 代价模型参数迁移 目标域快速建模 CostModel(target) ≈ Transfer(Source params) 少量测量即可建立有效预测模型

背景痛点

老厨师换到新餐厅，不会一上来就写满整墙菜谱。他心里清楚，每道菜的火候参数都要重新试过；如果靠一道菜一道菜地试，可能要试几百次，新餐厅还没开业就关门了。自动调优也一样：TVM 在给新硬件或新模型寻找最优计算配置时，每试一个配置都要在真实设备上跑一遍，测量时间、显存、功耗，成本非常高。

更麻烦的是，这些试错在新硬件上要从零开始。传统方法是把配置空间当作一片未知的火候矩阵，一个个组合试过去，直到找到最快的那组。如果每次换 GPU、换模型都重复这套流程，调优时间会盖过实际收益。

于是研究者把目光投向领域知识：之前在不同 GPU、不同模型上积累的调优数据完全可以当作源域（source domain），而目标域（target domain）则是新硬件上的少量测量数据。假如能复用源域中“哪些参数与性能相关”的规律，目标域就不需要那么多测量。

换句话说，老厨房多年攒下的几百份测试记录，不必在新厨房重写；只需在新厨房做几道小菜，就能把手里的温度感校准到新灶台上。这正是迁移学习解决调优成本的核心逻辑。

Ds={(xi,ti)}i=1Ns,Dt={(xj,tj)}j=1Nt,Nt≪Ns\displaystyle D_s=\{(x_i,t_i)\}_{i=1}^{N_s},\quad D_t=\{(x_j,t_j)\}_{j=1}^{N_t},\quad N_t\ll N_s
这个式子把迁移学习的核心条件写在了一起：源域样本很多，目标域样本很少，但两者都描述“配置 x 要跑多久 t”。
  1. 源域数据集源域由大量配对数据组成，$x_i$ 是一个计算配置，$t_i$ 是它在源设备上的实测耗时。
    Ds={(xi,ti)}i=1NsD_s=\{(x_i,t_i)\}_{i=1}^{N_s}
  2. 目标域数据集目标域同样包含配置和耗时，但样本数量 $N_t$ 很小，因为新设备上的每次测量都很贵。
    Dt={(xj,tj)}j=1NjD_t=\{(x_j,t_j)\}_{j=1}^{N_j}
  3. 样本量对比迁移学习的价值前提就是 $N_t \ll N_s$，否则直接在目标域全量调优即可。
    Nt≪NsN_t\ll N_s

迁移思想

老厨师的手记并不是菜谱本身，而是抽象出来的“规则”：油温大概到几成、盐放多少量级，换到新灶台依然有用。迁移学习的思想正是把这种抽象规则从源域搬到目标域。

传统机器学习假设训练和测试来自同一个分布，但迁移学习允许两者不同。我们关心的是：如何用源域大量数据训练一个模型，再用目标域少量数据让它适配。在自动调优中，源域和目标域的任务都是“预测一个配置要跑多久”，只是设备和模型不同。这个共享任务就是迁移的桥梁。

形式上，把源域代价模型的参数记为 $\theta_s$，目标域参数记为 $\theta_t$。迁移不是要求 $\theta_t$ 从零开始，而是先在 $\theta_s$ 附近寻找：每个新参数都可以写成 $\theta_s$ 加上一个小的修正 $\Delta\theta$。

手记里的“火候公式”不是照搬，而是给每一栏加上新老板口味的修正项。这个修正项越准确，适应新厨房就越快。

θt=θs+Δθ\displaystyle \theta_t=\theta_s+\Delta\theta
参数迁移不是一个神秘的“复制粘贴”，而是“旧参数加修正量”的加法。
  1. 源域参数$\theta_s$ 是老手记里总结出的火候权重，代表源域大量调优经验。
    θs\theta_s
  2. 修正量$\Delta\theta$ 是由目标域少量样本估计出的偏差，描述新厨房和老厨房的差异。
    Δθ\Delta\theta
  3. 目标域参数$\theta_t$ 是迁移后的模型参数，既保留源域知识，又包含新环境修正。
    θt=θs+Δθ\theta_t=\theta_s+\Delta\theta

代价模型

手记里最值钱的是一张“味道预测表”：给定一个火候组合，不用真的做菜也能估出大概需要多长时间。自动调优里的代价模型干的就是这件事。

TVM 在搜索时，先生成一批候选配置，然后交给代价模型打分，只有少数分数最高的配置才送去真实测量。代价模型通常把配置变成特征向量 $\phi(x)$，特征可以包括循环分块大小、是否向量化、缓存利用率等。

最简单的线性代价模型可以写成：

有了代价模型，老厨师可以在心里做模拟实验；但手记是从老厨房总结的，新厨房的灶台加热曲线不同，所以下一节要讨论怎样把 $\theta$ 迁过去。

t^=θ⊤ϕ(x)\displaystyle \hat{t}=\theta^{\top}\phi(x)
它把“配置长什么样”映射成一个预测耗时，$\theta$ 就是模型中一套可学习的权重。
  1. 预测值$\hat{t}$ 是模型预测的耗时，带帽记号表示这是估计值，不是真实测量。
    t^\hat{t}
  2. 特征向量$\phi(x)$ 把原始配置 $x$ 编码成数值向量，相当于把“大火、中火、小火”变成数字。
    ϕ(x)\phi(x)
  3. 模型参数$\theta$ 是权重向量，每一项表示对应特征对耗时有正向还是负向影响。
    θ\theta
  4. 点积运算$\theta^{\top}\phi(x)$ 把权重和特征逐项相乘再求和，得到最终预测。
    θ⊤ϕ(x)\theta^{\top}\phi(x)

参数迁移

老厨师到了新厨房，并没有把旧手记丢掉，而是先假定新厨房大部分规则相似，只在新灶台上尝了几道菜，然后把“油温”和“加热时间”那几栏修正过来。参数迁移对待代价模型的 $\theta$ 也是如此：以源域 $\theta_s$ 为锚点微调。

具体做法是在目标域少量样本上求解一个带正则的优化问题。第一项要求迁移后的模型在目标样本上误差小，第二项要求它不要离源域参数太远。$\lambda$ 就是“对新厨房的信任度”：$\lambda$ 越大，越相信旧手记；$\lambda$ 越小，越相信新试菜。

当目标域样本只有十几条时，直接从头学 $\theta$ 会严重过拟合，就像只尝了三道菜就写满整本菜谱。挂在 $\theta_s$ 附近，等于让老厨师用旧手记稳住基本盘，再用新试菜做局部修正。

min⁡θ∑(x,t)∈Dt(θ⊤ϕ(x)−t)2+λ∥θ−θs∥2\displaystyle \min_{\theta}\sum_{(x,t)\in D_t}\left(\theta^{\top}\phi(x)-t\right)^2+\lambda\|\theta-\theta_s\|^2
第一个括号让模型拟合目标域的真实测量，第二个正则项让模型别跑离源域经验太远。
  1. 优化目标$\min_\theta$ 表示我们要找一组新参数，使整个目标函数最小。
    min⁡θ\min_{\theta}
  2. 目标域误差$\sum_{(x,t)\in D_t}(\theta^{\top}\phi(x)-t)^2$ 是模型在目标域少量样本上的平方误差总和。
    ∑(x,t)∈Dt(θ⊤ϕ(x)−t)2\sum_{(x,t)\in D_t}\left(\theta^{\top}\phi(x)-t\right)^2
  3. 迁移正则$\|\theta-\theta_s\|^2$ 度量新参数与源域参数的欧氏距离。
    ∥θ−θs∥2\|\theta-\theta_s\|^2
  4. 平衡系数$\lambda$ 控制正则强度，$\lambda=0$ 时完全相信新样本，$\lambda\to\infty$ 时退化为直接使用源域模型。
    λ∥θ−θs∥2\lambda\|\theta-\theta_s\|^2

调优流程

迁移调优像一次有章法的跳槽，而不是漫无目的地试菜。一般分三步：老厨房总结、搬手记、新厨房校准。

第一步，先在源域做一次完整调优，得到源代价模型 $\theta_s$ 和若干有代表性的最优配置。第二步，建立特征映射，把 $\theta_s$ 初始化到目标代价模型。第三步，在目标域收集少量测量，用上一节的目标函数微调参数，最后用适配后的模型指导新一轮配置搜索。

注意目标域也要做少量真实搜索，不是完全零样本。所谓迁移学习，是把全量搜索变成小样本适配，而不是凭空预测。这样，老厨房的几百次试菜经验只搬一次，新厨房只要十几次试菜就能稳下来。

A∗=arg⁡min⁡A∈Ωt^(A;θt)\displaystyle \mathcal{A}^*=\arg\min_{\mathcal{A}\in\Omega}\hat{t}(\mathcal{A};\theta_t)
这一步表示：在配置空间 $\Omega$ 中，挑出预测耗时最小的那个计算配置 $\mathcal{A}^*$。
  1. 最优配置$\mathcal{A}^*$ 是最终选出的最快计算配置，也就是搜索的目标答案。
    A∗\mathcal{A}^*
  2. 搜索空间$\mathcal{A}\in\Omega$ 表示所有可能的循环分块、向量化等优化选项组成的空间。
    A∈Ω\mathcal{A}\in\Omega
  3. 用迁移模型打分$\hat{t}(\mathcal{A};\theta_t)$ 是用迁移后的目标代价模型对配置 $\mathcal{A}$ 预测耗时。
    t^(A;θt)\hat{t}(\mathcal{A};\theta_t)

收益场景

迁移学习的价值不难算：如果每换一次硬件都要全量调优，产品迭代会被按在试菜台上动弹不得。有了迁移，一次性成本变成可以多次复用的存量成本。

在频繁迭代场景下收益尤其明显：同一个模型部署到不同手机芯片，或同一块 GPU 上持续优化新算子。源域经验不断累积，目标域测量成本从几千次降到几十次。假设每次测量成本为 $c_{\text{meas}}$，迁移后总成本可以写成：

从工程指标看，迁移模型通常能在一开始就给出较准的预测，搜索收敛曲线前段明显抬升。这本手记越厚越值钱：产品线里积累的源域调优数据，会成为面向新硬件时的核心竞争力。

Ctotal=Csource+Ctransfer+Nt⋅cmeas\displaystyle C_{\text{total}}=C_{\text{source}}+C_{\text{transfer}}+N_t\cdot c_{\text{meas}}
源域经验积累和迁移本身各花一次费用，之后目标域只需要付少量测量费。
  1. 总成本$C_{\text{total}}$ 是完成一次新设备调优的全部开销。
    CtotalC_{\text{total}}
  2. 源域成本$C_{\text{source}}$ 是第一次在老环境做全量调优的沉没成本，之后可复用。
    CsourceC_{\text{source}}
  3. 迁移成本$C_{\text{transfer}}$ 是训练或微调迁移模型的固定开销。
    CtransferC_{\text{transfer}}
  4. 测量成本$N_t$ 是目标域测量次数，乘以单次测量成本 $c_{\text{meas}}$ 得到可变开销。
    Nt⋅cmeasN_t\cdot c_{\text{meas}}

挑战实践

如果老厨师只会做川菜，硬要跳槽到粤菜馆，旧手记可能反而帮倒忙：他按麻辣思维调火候，做出来的菜面目全非。这就是迁移学习里的负迁移。

源域和目标域差异过大时，迁移后的模型可能比从头训练还差。工程上需要通过相似性检验、正则强度 $\lambda$ 调节，以及少量目标样本验证来规避。如果几个验证点都表明旧经验的误差大于随机猜测，就不该强行迁移。更严格地说，迁移有效当且仅当：

在 TVM 工程实现中，源域和目标域需要共用同一套特征模板，参数才可迁移。调优脚本一般会先加载源域模型文件，再根据目标域的少量样本执行带约束的更新；如果特征不匹配，需要先做特征归一化或改用更鲁棒的迁移方式。所以，手记要用对地方：先尝两筷子，判断是不是同一派系；确认可迁移，才把整本手记搬过来。

---

Rt(θtransfer)<Rt(θscratch)\displaystyle R_t(\theta_{\text{transfer}})<R_t(\theta_{\text{scratch}})
也就是：迁移后的模型在目标域上的风险，必须小于完全从头训练模型的风险。
  1. 目标域风险$R_t(\theta)$ 表示用参数 $\theta$ 在目标域上预测耗时的平均误差。
    Rt(θ)R_t(\theta)
  2. 迁移模型$\theta_{\text{transfer}}$ 是经过源域初始化并在目标域微调后的参数。
    θtransfer\theta_{\text{transfer}}
  3. 从头模型$\theta_{\text{scratch}}$ 是只使用目标域数据、完全不借助源域经验训练出的参数。
    θscratch\theta_{\text{scratch}}
  4. 有效性条件只有迁移模型的风险更小，迁移才真正带来收益；否则就是负迁移。
    Rt(θtransfer)<Rt(θscratch)R_t(\theta_{\text{transfer}})<R_t(\theta_{\text{scratch}})

AI 应用场景

新 GPU 型号的算子性能优化

阶段：模型部署 / 编译器自动调优

解决的问题：传统方式下，每换一块新 GPU，算子调优都要全量搜索配置空间，动辄几千上万次测量，耗时以天计。迁移学习把旧 GPU 上训练好的代价模型参数搬过来，再在新 GPU 上采集少量样本微调，把调优时间压缩到几小时甚至几十分钟。

具体案例：一家公司的推理服务从 V100 迁移到 A100，编译器工程师保留了 V100 上的代价模型，只在新卡上测了 50 个配置，就用迁移后的模型指导搜索完成了关键算子的调优，性能与全量调优相差不到 3%。

移动端模型的快速迭代

阶段：端侧推理优化

解决的问题：移动端模型每个版本都可能有新算子、新网络结构，如果每次发布前都要重新全量调优，产品节奏会被拖垮。迁移学习让上一版模型的调优经验平滑迁移到新版本，大幅减少真机测量。

具体案例：某 App 的图像分割模型新增了一个轻量注意力模块，优化工程师从旧模型源域迁移代价模型到新模型，只做了 30 次真机测量，就找到了接近最优的配置，上线时间提前了一周。

Python 演示

python53 行
class CostModel:    def __init__(self, dim):        self.theta = [0.0] * dim     def predict(self, x):        return sum(t * xi for t, xi in zip(self.theta, x))     def fit(self, X, y, epochs=300, lr=0.05, reg_theta=None, reg_lambda=0.0):        if reg_theta is None:            reg_theta = [0.0] * len(self.theta)        for _ in range(epochs):            for xi, yi in zip(X, y):                err = self.predict(xi) - yi                for j in range(len(self.theta)):                    grad = err * xi[j]                    if reg_lambda > 0.0:                        grad += reg_lambda * (self.theta[j] - reg_theta[j])                    self.theta[j] -= lr * grad def feature(p):    return [1.0, p, p * p] def source_time(p):    return 0.8 + 0.2 * p + 0.01 * p * p def target_time(p):    return 0.6 + 0.4 * p + 0.015 * p * p def main():    source_model = CostModel(3)    src_p = [i / 10.0 for i in range(1, 11)]    source_model.fit([feature(p) for p in src_p], [source_time(p) for p in src_p])     target_p = [0.15, 0.35, 0.55, 0.75, 0.95]    target_X = [feature(p) for p in target_p]    target_y = [target_time(p) + 0.01 * ((i % 3) - 1) for i, p in enumerate(target_p)]     trans_model = CostModel(3)    trans_model.theta = list(source_model.theta)    trans_model.fit(target_X, target_y, reg_theta=source_model.theta, reg_lambda=0.3)     scratch_model = CostModel(3)    scratch_model.fit(target_X, target_y)     print("p    transfer_err  scratch_err")    for p in [0.3, 0.5, 0.7]:        true_t = target_time(p)        err_t = abs(trans_model.predict(feature(p)) - true_t)        err_s = abs(scratch_model.predict(feature(p)) - true_t)        print("%.2f  %.4f       %.4f" % (p, err_t, err_s)) if __name__ == "__main__":    main()
目的：用少量目标域样本对比“从源域参数迁移微调”和“从零训练”两种代价模型的预测误差，直观展示迁移学习的收益。
  1. class CostModel:定义一个简单的线性代价模型，用参数列表 theta 表示权重。
  2. self.theta = [0.0] * dim初始化模型参数，dim 个全零权重。
  3. def predict(self, x)用权重和特征向量做点积，返回预测耗时。
  4. def fit(self, X, y, epochs=300, lr=0.05, reg_theta=None, reg_lambda=0.0)用梯度下降训练模型，支持向源域参数做正则约束。
  5. grad = err * xi[j]计算普通平方误差对第 j 个参数的梯度。
  6. grad += reg_lambda * (self.theta[j] - reg_theta[j])加入迁移正则项，让参数不要离源域模型太远。
  7. source_model.fit(...)在源域大量配置上训练出源代价模型。
  8. trans_model.theta = list(source_model.theta)把源域参数作为迁移模型的初始点。
  9. trans_model.fit(target_X, target_y, reg_theta=source_model.theta, reg_lambda=0.3)用目标域少量样本微调，并用源参数做约束。
  10. scratch_model.fit(target_X, target_y)从零训练基准模型，用来对比迁移效果。

常见误区

误区既然迁移是把老厨房的手记搬过来，那到了新厨房应该什么都不用试，直接照着手记做菜就好了。

正解没有任何目标域数据时，你只是“直接使用源模型”，而不是“迁移学习”。迁移必须用少量目标样本做校准，否则无法发现新硬件与新模型的差异。就像老厨师至少也要试两道菜，才知道新灶台火力偏大还是偏小。

为何常见：“迁移”两个字容易让人理解成“整体搬走”，忽略了真正关键的“适配”环节。

误区两个硬件看起来差不多，模型结构也接近，那旧手记肯定能直接拿来用，效果一定更好。

正解相似是迁移的前提，但不是充分条件。如果源域模型已经很好，而目标域样本太少，迁移提升可能很小；如果某些微妙差异没被特征捕捉到，仍可能出现负迁移。工程上一定要用验证集对比迁移前和迁移后的目标域风险。

为何常见：人们容易把“相似”当成“等价”，却忽略了性能预测这类回归任务对微小分布偏差也很敏感。

误区新样本很宝贵，既然测了更多数据，就应该更用力地把模型往新数据上拉，所以 λ 要调大。

正解$\lambda$ 控制的是“对源域参数的保留程度”。样本越多，模型越能直接从目标数据中学到规律，反而应该适当减小 $\lambda$，让目标数据发挥更大作用。$\lambda$ 越大，模型越不敢偏离源域，可能无法拟合新硬件。

为何常见：把 λ 误当成“学习强度”，而没有理解它是源域与目标域之间的信任天平。

误区用了迁移学习，自动调优就一定能找到比全量调优更好的配置，甚至会收敛到全局最优。

正解迁移学习提高的是搜索效率，不是搜索保证。它让代价模型在早期更准，从而少做无效测量；但最终配置是否全局最优，仍取决于搜索算法、配置空间和测量噪声。它更像是给老厨师一个更好的起点，而不是保证每道菜都拿满分。

为何常见：把“收敛更快”等同于“结果一定更好”，忽略了调优本身仍然是一种有随机性的搜索过程。

面试题

Q1. 调优迁移学习解决的核心问题是什么？

单选题 · easy

  • A.让模型在更多语言上运行
  • B.降低新设备的调优成本← 正确答案
  • C.提高神经网络的精度
  • D.减少编译器的内存占用

答案：B。调优迁移学习复用源域经验，让新硬件或新模型只需少量测量即可完成调优，核心目标是降低调优成本。A、C、D 分别涉及语言支持、模型精度和内存，都不是迁移学习的主攻方向。

Q2. 在调优迁移学习中，“源域”通常指什么？

单选题 · easy

  • A.待优化的新目标硬件
  • B.已有调优经验的环境← 正确答案
  • C.编译器的中间表示
  • D.算子自动生成的代码

答案：B。源域是已经积累了大量调优数据的环境，比如旧 GPU 或上一版模型；目标域才是等待优化适配的新环境。C、D 是编译器内部概念，与域定义无关。

Q3. 代价模型在自动调优中的主要作用是什么？

单选题 · mid

  • A.直接生成最快的算子
  • B.预测配置性能并筛选候选← 正确答案
  • C.替代 TVM 编译流程
  • D.统计训练数据的分布

答案：B。代价模型给候选配置打分，预测耗时，从而只把少量高分配置送去真实测量。它不直接生成算子，也不替代编译流程，只是搜索过程中的性能预测器。

Q4. 参数迁移的常见做法是？

单选题 · mid

  • A.丢弃源域模型并重新训练
  • B.以源域参数为初始点微调← 正确答案
  • C.对硬件参数求平均值
  • D.用随机参数覆盖目标模型

答案：B。参数迁移通常把源域参数作为初始点，再用目标域样本微调。丢弃源模型等于从头开始；对硬件参数取平均或随机覆盖都不是可学习的迁移策略。

Q5. 在迁移目标函数中，λ 的作用是？

单选题 · mid

  • A.控制测量样本数量
  • B.控制迁移约束的强度← 正确答案
  • C.控制学习率的大小
  • D.控制特征向量的维度

答案：B。$\lambda$ 是正则项系数，控制模型对源域参数的保留程度。它不直接改变样本数、学习率或特征维度，只调节“旧经验”和“新数据”之间的信任比例。

Q6. 目标域样本数量通常有什么特点？

单选题 · easy

  • A.比源域样本多很多
  • B.与源域样本完全相同
  • C.比源域样本少很多← 正确答案
  • D.只需要一个标签即可

答案：C。迁移学习的典型设定是目标域样本远少于源域。如果目标域样本足够多，直接全量调优即可，迁移收益就不明显；一个样本通常不足以校准多维参数。

Q7. 以下哪一项是“负迁移”的表现？

单选题 · hard

  • A.迁移后调优速度毫无变化
  • B.迁移后性能反而比从头调差← 正确答案
  • C.迁移后模型参数全部归零
  • D.迁移后目标域无法测量

答案：B。负迁移指源域经验对目标域产生了干扰，使迁移模型在目标域上的表现比从头训练的模型更差。参数归零、无法测量属于工程故障，不属于迁移学习中的负迁移概念。

Q8. 哪些因素会造成源域和目标域的差异？

多选题 · mid

  • A.硬件型号发生变化← 正确答案
  • B.算子结构发生变化← 正确答案
  • C.运行库版本发生变化← 正确答案
  • D.编译日志格式变化

答案：ABC。硬件型号、算子结构、运行库版本都会改变配置与耗时之间的映射关系，因此构成域差异。编译日志格式变化只影响日志解析，不直接影响性能模型。

Q9. 调优迁移学习完整流程包括哪些步骤？

多选题 · hard

  • A.源域全量调优获得经验← 正确答案
  • B.迁移代价模型的参数← 正确答案
  • C.用目标域样本微调校准← 正确答案
  • D.重写 TVM 编译器源码

答案：ABC。完整流程是先在源域调优得到经验，再把代价模型参数初始化到目标域，最后用少量目标样本微调并指导搜索。重写编译器源码既不是迁移流程的一部分，也不是迁移学习的必要条件。

Q10. 在 $L(\theta)=\sum_{i}(\theta^{\top}\phi(x_i)-t_i)^2+\lambda\|\theta-\theta_s\|^2$ 中，当 $\lambda\to+\infty$ 时模型会怎样？

单选题 · extreme

  • A.完全忽略源域参数
  • B.完全退化为源域模型← 正确答案
  • C.完全拟合所有目标样本
  • D.目标函数值趋向无穷大

答案：B。当 $\lambda$ 趋于无穷时，正则项占据绝对主导，只有 $\theta=\theta_s$ 时惩罚最小，因此模型完全退化为源域模型，无法适配目标域样本。这正好说明 λ 不是越大越好。