想象一位在五星级酒店掌勺十年的老厨师走进你家厨房。切丝、颠勺、辨别油温，他闭着眼都会——你要教的，只是“你最爱的那道家常菜”的独家口味。更妙的是，这位老厨师全程在你家厨房里操作：食材不出家门，菜谱不外传，做好的菜也只有你和家人享用。 这就是“浏览器里的迁移学习”。过去训练 AI 模型需要海量数据、昂贵的 GPU 服务器；而现在，借助 TensorFlow.js，我们可以把一位“见多识广的老厨师”（预训练模型，如 MobileNet）直接请进用户的浏览器。用用户设备上收集到的少量样本（小样本）做“微调”，就能产出一个属于用户自己的个性化模型——数据全程留在本地，不传给服务器。 这篇文章里，你会看到一条完整的“浏览器迁移学习”路线图：从迁移学习的基本思想，到数据准备、模型加载、微调训练、隐私保护，再到最后部署成 Web 应用。全程用一个“老厨师入驻你家厨房”的故事串起来，让一个从未接触过 AI 的初学者，也能在读完时亲手在浏览器里跑起自己的个性化模型。

岗位关联

掌握 Web 端小样本迁移学习，意味着你能用极低的成本为用户端提供个性化 AI 能力：数据不出设备、秒级训练、即插即用——这是未来前端 AI 工程师的核心竞争力之一。

目录
  1. 可视化演示
  2. 迁移学习思想：老厨师的看家本领
  3. 数据准备策略：冰箱里的剩菜也能做一桌
  4. 预训练模型加载：自带工具的老厨师
  5. 微调训练优化：调火候学新菜
  6. 隐私保护机制：在家练菜菜谱不外传
  7. 部署与应用：私厨上菜开张营业
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

Web端迁移学习架构 冻结层 (Frozen) - 特征提取可训练层 (Trainable) - 分类器微调浏览器环境冻结层 (Frozen) - 特征提取冻结层 (Frozen) - 特征提取可训练层 (Trainable) - 分类器微调浏览器环境冻结层 (Frozen) - 特征提取 冻结层 (Frozen) - 特征提取可训练层 (Trainable) - 分类器微调浏览器环境冻结层 (Frozen) - 特征提取冻结层 (Frozen) - 特征提取可训练层 (Trainable) ...

迁移学习思想：老厨师的看家本领

想象一位在五星级酒店掌勺十年的老厨师走进你家厨房。切丝、颠勺、辨别油温，他闭着眼都会——你要教的，只是“你最爱的那道家常菜”的独家口味。这里的“老厨师”就是预训练模型：它在 ImageNet 上见过上千万张图片，早就学会了识别边缘、纹理、物体轮廓这些通用本领。

这就是迁移学习（Transfer Learning）：把在大型通用数据上学到的知识，迁移到一个数据稀少的特定任务上。如果让 AI 从零开始学识别你的个人物品，动辄需要上万张标注图和几块 GPU；而迁移学习只需加载一个预训练模型作为起点 $\theta_0$，再用你的几十张图片做小步调整即可。

在数学上，微调的目标是找到一个新参数 $\theta^*$，既要在你的小样本集上表现好，又不能偏离预训练知识太远。于是优化目标里多了一项“别忘本”的距离约束：

老厨师不会因为你尝了两道菜就把刀工火候全部推翻重来，对吧？正则项起的就是这个作用——学新菜和保老本，缺一不可，而迁移学习的艺术，就藏在这个平衡里。

θ∗=arg⁡min⁡θ  Ltarget(fθ;Dsmall)+λ∥θ−θ0∥2\theta^* = \arg\min_{\theta} \; \mathcal{L}_{\mathrm{target}}\big(f_{\theta}; \mathcal{D}_{\mathrm{small}}\big) + \lambda \big\lVert \theta - \theta_0 \big\rVert^2
直观理解：第一项是“新菜要合你口味”，第二项是“老手艺不能丢”。λ 越大，越不敢改动预训练参数。
  1. 目标参数$\theta^*$ 是微调完成后最终采用的模型参数，也就是老厨师学完新菜后的最终状态。
    θ∗=arg⁡min⁡θ(⋯ )\theta^* = \arg\min_{\theta} \left( \cdots \right)
  2. 目标损失$\mathcal{L}_{\mathrm{target}}(f_{\theta}; \mathcal{D}_{\mathrm{small}})$ 衡量模型在你少量样本上的错误程度，相当于“菜的味道和期望的差距”。
    Ltarget(fθ;Dsmall)\mathcal{L}_{\mathrm{target}}\big(f_{\theta}; \mathcal{D}_{\mathrm{small}}\big)
  3. 遗忘惩罚$\lambda \lVert \theta - \theta_0 \rVert^2$ 惩罚新参数偏离起点太远，防止为了迎合几个样本丢掉十年功底（过拟合）。
    λ∥θ−θ0∥2\lambda \big\lVert \theta - \theta_0 \big\rVert^2
  4. 最优求解$\arg\min_{\theta}$ 表示在参数空间里不断尝试，找到让上面两项相加最小的那个参数组合。
    arg⁡min⁡θ\arg\min_{\theta}

数据准备策略：冰箱里的剩菜也能做一桌

打开你家冰箱，只剩三五种主要食材——几十张照片，每类可能不超过 50 张。老厨师不慌：他把土豆既切丝又切块还压成泥，同一份食材换着花样练习，愣是练出了一整套新菜。这套“一菜多吃”的打法，就是数据增强（Data Augmentation）。

数据准备阶段通常包含四件事：收集样本、整理标签、数据增强、划分训练/验证集。在 TensorFlow.js 中，可以用 tf.image 系列 API 对图片做随机翻转、旋转、裁剪、亮度调整，让同一张图“变出”多个等价训练样本，显著缓解小样本过拟合。数据量不足时，这种做法相当于把“练习次数”成倍放大。

数学上，增强就是把原始样本 $x^{(i)}$ 映射成一个随机变换后的样本 $\tilde{x}^{(i)}$：

但注意，把同一块土豆做成一百道菜，本质上还是同一块土豆。增强只是把“练习的丰富度”做上去，无法凭空创造新的信息——真实世界里的数据多样性，依然要靠用户提供。

x~(i)=Tk(x(i)),k∼Uniform(1,4)\tilde{x}^{(i)} = T_k\big(x^{(i)}\big), \quad k \sim \mathrm{Uniform}(1, 4)
直观理解：每次训练撞见同一张图时，它可能被翻转、被旋转、被裁剪或换了亮度——模型看到的永远是“略有不同的同一道菜”。
  1. 原始样本$x^{(i)}$ 是你收集到的第 $i$ 张原始图片，它代表“原始食材”。
    x(i)∈Dsmallx^{(i)} \in \mathcal{D}_{\mathrm{small}}
  2. 随机变换$T_k$ 是第 $k$ 种图像变换函数，比如水平翻转、小角度旋转、随机裁剪、色彩抖动。
    Tk(⋅),k∈{1,2,3,4}T_k(\cdot), \quad k \in \{1, 2, 3, 4\}
  3. 均匀采样$k \sim \mathrm{Uniform}(1, 4)$ 表示每次训练时等概率随机选一种变换，增加多样性。
    k∼Uniform(1,4)k \sim \mathrm{Uniform}(1, 4)
  4. 增强样本$\tilde{x}^{(i)}$ 是变换后生成的“新练习素材”，它和原始样本共享同一个标签 $y^{(i)}$。
    x~(i)=Tk(x(i))\tilde{x}^{(i)} = T_k\big(x^{(i)}\big)

预训练模型加载：自带工具的老厨师

老厨师登门时，背着一个巨大的工具箱：各种型号的刀、锅、炉具——他就是 MobileNet。MobileNet 用深度可分离卷积大幅压缩参数体量（几 MB 到十几 MB），在浏览器里下载快、推理顺。他的“工具箱”就是卷积层学到的特征：从边缘、纹理，到眼镜、轮子这样的部件级概念。

在 TensorFlow.js 中，加载模型只需一行 const base = await mobilenet.load();。通过 truncated 选项可以丢掉 MobileNet 原始的 1000 类分类头，只保留特征提取层；随后我们接上自己的全连接层（分类头），为新任务量身定做输出。整个过程像是：工具全是现成的，只换一张“菜谱封面”。

从数学上看，整个前向过程可以拆成两步——先用预训练特征提取器 $F_{\theta_f}$ 把图片压缩成特征向量 $h$，再用新分类头 $W_{\mathrm{head}}$ 把特征映射成类别得分：

老厨师进厨房，刀具是现成的，只有“调味配方”（分类头）是空白的。你在浏览器里复用的，正是那套经过千万张图片锤炼的“刀具箱”。

h=Fθf(x),y^=Whead⊤h+bheadh = F_{\theta_f}(x), \quad \hat{y} = W_{\mathrm{head}}^{\top} h + b_{\mathrm{head}}
直观理解：老厨师（特征提取器）先“看”出这道菜的本质（特征向量），然后由你指定的调味配方（分类头）决定它属于哪一类。
  1. 特征提取器$F_{\theta_f}$ 是 MobileNet 中固定的卷积层组合，负责把像素图片变成有意义的特征。
    Fθf:R224×224×3→R1024F_{\theta_f}: \mathbb{R}^{224 \times 224 \times 3} \to \mathbb{R}^{1024}
  2. 特征向量$h$ 是图片的“数字摘要”，包含边缘、纹理、形状等高层信息，相当于厨师对食材的直觉。
    h=Fθf(x)h = F_{\theta_f}(x)
  3. 分类头权重$W_{\mathrm{head}}$ 和 $b_{\mathrm{head}}$ 是新建全连接层的权重与偏置，初始化为随机值，是唯一需要从头学习的部分。
    Whead∈R1024×C,bhead∈RCW_{\mathrm{head}} \in \mathbb{R}^{1024 \times C}, \quad b_{\mathrm{head}} \in \mathbb{R}^{C}
  4. 预测输出$\hat{y}$ 是模型对类别的打分向量，经过 softmax 后变成各类别的概率。
    y^=Whead⊤h+bhead\hat{y} = W_{\mathrm{head}}^{\top} h + b_{\mathrm{head}}

微调训练优化：调火候学新菜

老厨师学新菜时，刀工火候这些基本功保持不变（冻结底层），只有调味——由新菜谱决定的部分——要重新学。这就是微调的训练策略：先冻结、再分层、用小学习率慢慢调。

在 TensorFlow.js 中训练流程通常这样：先设置 base.trainable = false 冻结特征层，用 Adam 或 SGD 优化器（学习率 0.001 量级，比从头训练小 10~100 倍）训练分类头 5~20 轮；如果想更精细，再解冻最后 1~2 个卷积块，用更小的学习率做第二轮微调。训练中持续监控验证损失，连续几轮不下降就早停——避免模型把几十个训练样本“背”下来。

无论哪种优化器，核心都是梯度下降的更新规则：每一步都顺着损失下降的方向调整参数，幅度由学习率控制。

火候大有讲究：大火猛炒（学习率过大）会把老厨师辛苦练就的本领“炒糊”；小火慢炖（小学习率）才能让新味道和旧功底融为一体。等验证损失不再下降，就该关火装盘了。

θt+1=θt−η ∇θL(fθt(x),y)\theta_{t+1} = \theta_t - \eta \, \nabla_{\theta} \mathcal{L}\big(f_{\theta_t}(x), y\big)
直观理解：每次尝一口菜，如果偏咸就往淡的方向调一点；调多少由学习率 η 决定，方向由梯度 ∇L 告诉。
  1. 当前参数$\theta_t$ 是第 $t$ 轮训练时的模型参数，代表老厨师当下的调味状态。
    θt\theta_t
  2. 损失梯度$\nabla_{\theta} \mathcal{L}$ 是损失函数对参数的偏导向量，指明“菜偏了、该往哪边改”。
    ∇θL(fθt(x),y)\nabla_{\theta} \mathcal{L}\big(f_{\theta_t}(x), y\big)
  3. 学习率$\eta$ 控制每一步调整的大小，微调时通常取 0.001 左右的较小值，避免步子太大冲过头。
    η=0.001∼0.01\eta = 0.001 \sim 0.01
  4. 参数更新$\theta_{t+1} = \theta_t - \eta \nabla_{\theta} \mathcal{L}$ 表示沿负梯度方向移动一小步，迭代若干轮后损失逐渐下降。
    θt+1=θt−η ∇θL\theta_{t+1} = \theta_t - \eta \, \nabla_{\theta} \mathcal{L}

隐私保护机制：在家练菜菜谱不外传

老厨师在你家厨房做菜，全程不迈出家门。你不用提心吊胆，担心他把你的独家口味记在公共菜单上——这是浏览器迁移学习最迷人的地方：数据不出设备。

具体实现上，训练数据只存在于浏览器内存与 tf.data.Dataset 管道里；图片不需要上传服务器，梯度更新完全在设备端完成。需要同步时（比如手机和电脑间共享模型），也只传输模型权重，而不是原始照片。进阶手段包括差分隐私（训练时给梯度加噪声，让单个样本的信息难以被还原）和联邦学习（多设备在本地训练后只上传参数更新，由服务器聚合再下发）。

本地训练的目标函数可以写成：只用设备上的样本求平均损失并最小化，整个过程中数据不离开浏览器。

就算要“上菜”给别人，也只是把学到的口味概要（模型参数）传出去，而不是把素材（原始照片）端上桌。这份“菜谱不外传”的坚持，正是 Web 端迁移学习最打动人的价值。

θ∗=arg⁡min⁡θ  1n∑i=1nℓ(fθ(x(i)),y(i)),x(i)∈设备本地\theta^* = \arg\min_{\theta} \; \frac{1}{n} \sum_{i=1}^{n} \ell\big(f_{\theta}(x^{(i)}), y^{(i)}\big), \quad x^{(i)} \in \text{设备本地}
直观理解：这桌菜是在你家厨房里练出来的——所有尝菜、调味、改刀都发生在本地，外人最多看到最后端上桌的成品（模型），看不到你冰箱里有什么。
  1. 本地样本$(x^{(i)}, y^{(i)})$ 是用户设备上的训练样本对，约束条件注明它们存放在“设备本地”。
    (x(i),y(i))∈Browserlocal(x^{(i)}, y^{(i)}) \in \mathrm{Browser}_{\mathrm{local}}
  2. 平均损失$\frac{1}{n} \sum_{i=1}^{n} \ell(\cdot)$ 是所有样本损失的算术平均，衡量模型在本地数据上的整体表现。
    1n∑i=1nℓ(fθ(x(i)),y(i))\frac{1}{n} \sum_{i=1}^{n} \ell\big(f_{\theta}(x^{(i)}), y^{(i)}\big)
  3. 最小化目标$\arg\min_{\theta}$ 表示只调整模型参数让平均损失最小，而不移动任何数据。
    arg⁡min⁡θ\arg\min_{\theta}
  4. 隐私边界$x^{(i)} \in \text{设备本地}$ 用数学语言划定了数据的安全边界——优化过程能“看到”数据，但数据始终留在设备上。
    x(i)∈设备本地x^{(i)} \in \text{设备本地}

部署与应用：私厨上菜开张营业

学成之后，老厨师把这道新菜的做法记在随身小本上。你在浏览器里，用一行 await model.save('indexeddb://my-model') 就能把权重存进 IndexedDB；下次打开网页，直接加载运行，就像老厨师随时等着给你上菜。

上线前通常还要“打包”：模型量化（Quantization）把 float32 权重转为 int8，体积缩小到约原来的 1/4，推理速度成倍提升；然后集成进 Web 应用的拍照、摄像头、拖拽上传等交互里。组合起来就是个性化推荐、图像分类、手势控制等端侧 AI 应用。由于训练和推理都在浏览器完成，首屏加载一次模型，之后便可离线使用。

量化操作在数学上等价于：用一个缩放因子 $s$ 把连续的权重 $w$ 映射到低比特整数 $w_q$，再通过反量化近似还原：

菜谱记牢了、调味量化了、菜单摆上桌——从“请厨师上门”到“随时点菜”，浏览器迁移学习的完整闭环就此打通。下次用户打开你的网页，迎接他的就是一位只认自家口味的专属私厨。

wq=round(ws),s=max⁡∣w∣2b−1−1w_q = \mathrm{round}\Big(\frac{w}{s}\Big), \quad s = \frac{\max |w|}{2^{b-1} - 1}
直观理解：把调味配方从“精确到克的笔记”简化为“几勺几撮的口诀”——虽然精度略降，但小本子更薄、翻起来更快。
  1. 全精度权重$w$ 是训练得到的 float32 权重，精度高但体积大。
    w∈Rw \in \mathbb{R}
  2. 缩放因子$s$ 用来把权重范围映射到量化区间，由最大绝对值除以量化等级数决定。
    s=max⁡∣w∣2b−1−1s = \frac{\max |w|}{2^{b-1} - 1}
  3. 取整运算$\mathrm{round}(\cdot)$ 把连续值四舍五入成整数，是信息压缩的关键步骤。
    wq=round(ws)w_q = \mathrm{round}\Big(\frac{w}{s}\Big)
  4. 位宽$b$ 是量化比特数，如 int8 时 $b=8$，权重范围被压缩到 256 个整数档位。
    b=8,wq∈[−128,127]b = 8, \quad w_q \in [-128, 127]

AI 应用场景

个性化物品识别

阶段：微调训练与部署

解决的问题：传统做法要把用户相册图片上传到云端重新训练，传输慢、存储贵，而且几乎没有用户愿意把私密照片交给服务器。借用“老厨师上门”的思路，把预训练模型推送到浏览器，用户拍几十张照片，本地微调几十秒，专属分类器即刻可用，原始照片永不离开设备。

具体案例：“整理衣橱”小程序：首次使用时用户拍 20~30 张衣物照片并标注类别；浏览器下载 MobileNet、冻结特征层、用 Adam（学习率 0.001）训练全连接分类头约 20 轮；之后每次拍照识别都在本地完成，平均响应小于 300ms，离线也能用。

无障碍手势控制

阶段：数据准备与增强

解决的问题：通用手势模型对特殊用户的手势差异不适应，为每位患者制作带标注的数据集成本极高。浏览器摄像头实时采集用户自定义动作几十帧，配合翻转、裁剪增强即可完成个性化微调，无需专业标注团队，也无需把视频传出浏览器。

具体案例：为渐冻症患者做的“眨眼控制板”：患者对摄像头做 3 个自定义表情各 10 次，系统用 TensorFlow.js 加载人脸关键点模型并微调分类头；随后眨眼 1 次等于点击、眨眼 2 次等于返回，全部推理在本地完成，响应延迟低于 200ms。

Python 演示

python41 行
import numpy as np def make_features(n, dim=16, seed=42):    # 模拟预训练模型(MobileNet)输出的特征向量    rng = np.random.default_rng(seed)    class0 = rng.normal([1.0] * dim, 0.4, (n, dim))    class1 = rng.normal([-1.0] * dim, 0.4, (n, dim))    X = np.vstack([class0, class1])    y = np.array([0] * n + [1] * n)    return X, y class SmallHead:    # 新分类头:老厨师基本功不动,只学新菜调味    def __init__(self, dim=16):        self.w = np.zeros(dim)        self.b = 0.0        self.t_count = 0     def forward(self, X):        return 1.0 / (1.0 + np.exp(-(X @ self.w + self.b)))     def train(self, X, y, lr=0.2, epochs=30):        for _ in range(epochs):            X_aug = X + np.random.normal(0, 0.05, X.shape)            p = self.forward(X_aug)            grad = (X_aug.T @ (p - y)) / len(y)            self.w -= lr * grad            self.b -= lr * float(np.mean(p - y))            self.t_count += 1     def acc(self, X, y):        pred = (self.forward(X) > 0.5).astype(int)        return float(np.mean(pred == y)) if __name__ == "__main__":    X_train, y_train = make_features(20)          # 小样本:每类仅20个    X_test, y_test = make_features(50, seed=7)    head = SmallHead(dim=16)    print("训练前准确率:", head.acc(X_test, y_test))    head.train(X_train, y_train, lr=0.2, epochs=30)    print("训练后准确率:", head.acc(X_test, y_test))
目的：用 Python 模拟“预训练特征 + 小样本分类头”的完整微调流程，演示了小样本情况下准确率如何从 50% 提升到 90%+。
  1. class0 = rng.normal([1.0] * dim, 0.4, (n, dim))生成模拟预训练特征的两类样本簇，相当于老厨师的“味觉印象”
  2. self.w = np.zeros(dim)分类头从零初始化，只有这个“调味配方”需要训练
  3. X_aug = X + np.random.normal(0, 0.05, X.shape)每轮给特征加小噪声，模拟数据增强扩大练习多样性
  4. p = self.forward(X_aug)前向传播得到预测概率
  5. grad = (X_aug.T @ (p - y)) / len(y)计算平均梯度，告诉模型“该往哪个方向调味”
  6. self.w -= lr * grad梯度下降更新参数，学习率 lr 控制调整幅度
  7. pred = (self.forward(X) > 0.5).astype(int)以 0.5 为阈值把概率转成类别
  8. X_train, y_train = make_features(20)每类只有 20 个训练样本，小样本场景的真实写照

常见误区

误区我以为迁移学习就是把下载好的 MobileNet 直接拿来做预测，根本不用训练。结果识别自己照片时效果很差，因为它根本不认识我的私人类别。

正解预训练模型是在 ImageNet 上学的通用知识，它认识猫狗不等于认识你的业务类别。迁移学习的关键是“复用特征 + 微调分类头”：旧知识作为起点，新数据让它“接上新脑袋”。就像老厨师会切菜，但你这道新菜的调味得专门教。

为何常见：多数人接触到的模型都是“下载即推理”，容易把“预训练权重”误当成“已经适配好你的任务”。

误区既然只有几十张图，我把每张图旋转、翻转、加噪声，复制出一千张，模型应该更准吧？

正解数据增强本质是用先验知识解释数据的变化，它不能凭空创造新信息。同一张原始图被复制出过多强噪声变体，模型会去背这些“伪样本”的细节，反而忽略真实分布。合理做法是每类几十到几百张，配合适度的翻转、旋转、裁剪和色彩抖动，并用验证集观察是否过拟合。

为何常见：数据增强是被广泛宣传的“炼丹秘诀”，但很少有人讲它的边界，于是“越多越好”成了普遍错觉。

误区浏览器跑训练不就是前端炫技吗？服务器 GPU 训练快几十倍，我直接用服务器不是更香？

正解对大规模任务确实服务器更快，但小样本微调往往只有几十到几百个样本，模型本身是 MobileNet 级别（几 MB 到十几 MB）。借助 WebGL，浏览器里微调通常几秒到几十秒就能完成，而且省去了上传数据的时间与带宽。更重要的是隐私价值：数据不出设备，很多场景（个性化推荐、医疗笔记、财务分类）根本不允许数据外传。

为何常见：人们习惯用“训练大模型”的直觉衡量所有训练，忽略了小样本端侧任务的规模优势。

误区只要我不把数据传到服务器，模型在本地训练，隐私就百分百安全了。

正解本地训练显著降低了隐私泄漏面，但模型权重本身可能“记住”训练样本的某些模式（如人脸的基本轮廓），攻击者可借此实施模型逆向攻击。进阶防护包括：差分隐私（训练时给梯度加噪）、联邦学习（多设备聚合更新再下发）、模型加密保存。安全是一场持续博弈，不是简单开关。

为何常见：“本地”听起来像保险箱，容易让人忽略机器学习模型的记忆特性。

误区我把 MobileNet 所有层都冻结，只训练最后一层输出层，这样训练参数最少，肯定不会过拟合。

正解训练参数少并不自动等于不会过拟合。如果目标域和预训练域差异较大（如卫星图 vs 日常照片），高层特征根本对不上，全冻结会导致欠拟合——模型连训练集都学不好。更稳妥的路线是：先冻结底层（通用纹理、轮廓特征），解冻后面 1~2 个卷积块做小学习率微调，同时用早停观察验证损失。

为何常见：“参数越少越安全”的说法流传很广，但泛化能力取决于数据、任务、模型三者是否匹配，而不是参数数量本身。

面试题

Q1. 迁移学习最核心的思想是什么？

单选题 · easy

  • A.从零开始搭建网络
  • B.复用预训练模型知识← 正确答案
  • C.无限放大训练数据集
  • D.只使用决策树分类器

答案：B。迁移学习的关键是复用预训练模型在通用数据上学到的特征（边缘、纹理、形状），再针对新任务做微调。A 是“从零训练”而非迁移；C 只谈数据量，不构成迁移思想；D 是决策树，与迁移学习无关。

Q2. Web 端小样本迁移学习常用的框架是？

单选题 · easy

  • A.TensorFlow.js← 正确答案
  • B.PyTorch
  • C.Caffe2
  • D.Theano

答案：A。TensorFlow.js 支持在浏览器中加载预训练模型并进行训练，是前端迁移学习的主流选择。PyTorch 和 Caffe2 主要面向服务端，Theano 已停止维护。

Q3. 小样本训练时需要数据增强，最直接的原因是？

单选题 · easy

  • A.提升模型压缩率
  • B.增加样本多样性← 正确答案
  • C.减少网络层数量
  • D.缩短浏览器加载时长

答案：B。数据增强通过翻转、旋转、裁剪等随机变换生成多个变体，缓解样本不足导致的过拟合。它与模型压缩、网络层数和加载时长没有直接关系。

Q4. 微调时“冻结”MobileNet 低层的主要原因是？

单选题 · mid

  • A.低层特征具有通用性← 正确答案
  • B.低层参数已经是零
  • C.低层不参与前向传播
  • D.低层损失无法计算

答案：A。低层卷积负责边缘、纹理等通用特征，这些能力对大多数视觉任务都适用，冻结它们可以保留这些能力，同时大幅减少训练参数量、提升训练速度。

Q5. 浏览器本地训练时，数据最合适的存放位置是？

单选题 · mid

  • A.发送到远程数据库
  • B.仅保存在设备内存← 正确答案
  • C.复制到公共云盘
  • D.写入服务器缓存

答案：B。本地训练的核心目标是数据不出设备。把数据放在浏览器内存或 IndexedDB 中，训练和推理都在端侧完成，才能兑现隐私承诺。其余选项都把数据传出了设备。

Q6. MobileNet 被选作浏览器端预训练模型的原因是？

单选题 · mid

  • A.精度超过所有大模型
  • B.参数少且推理速度快← 正确答案
  • C.必须依赖独立显卡运行
  • D.支持数据库查询语言

答案：B。MobileNet 用深度可分离卷积大幅压缩参数量（几 MB 到十几 MB），适合在浏览器 WebGL 上实时推理与微调。它并不依赖独立显卡，也与数据库语言无关。

Q7. 模型量化（如 float32 转 int8）的主要收益是？

单选题 · hard

  • A.提高识别准确率
  • B.减小体积降低内存← 正确答案
  • C.自动收集训练数据
  • D.取消特征提取步骤

答案：B。量化把连续权重映射到低比特整数，模型体积缩小到约 1/4、推理速度提升，但通常会牺牲少量精度。它不会提高准确率，也不会替代特征提取或自动收集数据。

Q8. 下列哪些适合“Web 端小样本迁移学习”的应用？

多选题 · mid

  • A.用户个性化手势分类← 正确答案
  • B.本地私有照片整理← 正确答案
  • C.训练千亿级语言模型
  • D.服务器集群日志分析

答案：AB。A、B 涉及用户隐私且样本少，适合在浏览器本地微调。C 的规模远超浏览器能力范围；D 属于服务端数据分析场景，与端侧迁移学习无关。

Q9. 关于“微调”的正确说法有哪些？

多选题 · hard

  • A.只训练分类头也是微调← 正确答案
  • B.解冻部分层可提升效果← 正确答案
  • C.学习率必须设置极大
  • D.必须重新训练底层所有层

答案：AB。A 属于参数高效微调；B 是分层微调，目标域差异大时解冻高层有助提升效果；C 错误，微调惯用小学习率；D 错误，底层通常冻结以保留通用特征。

Q10. 浏览器内保护隐私的训练手段包括？

多选题 · extreme

  • A.数据全部留在本地← 正确答案
  • B.梯度加差分隐私噪声← 正确答案
  • C.权重直接上传云端
  • D.多设备联邦平均更新← 正确答案

答案：ABD。A 是本地训练；B 通过加噪防止模型逆向还原个体样本；D 是联邦学习，用参数聚合代替原始数据共享。C 直接上传权重会带来逆向攻击风险，不属于隐私保护手段。