1.5 图纸关键词：源域目标域与预训练模型

1.5 图纸关键词：源域、目标域与预训练模型

本节摘要：源域、目标域、源任务、目标任务、预训练模型，这五个词构成描述任何迁移项目的坐标系。本节给出每个术语的严格定义与符号记法，用三个真实项目代入演示这套坐标系的用法，并以一张总图收束第 1 章。掌握它，第 2 章的分类体系只需往坐标系上贴标签即可。

定义先行

迁移学习的文献有一套固定记法，工程队把它翻译成看房语言：

• 域：数据分布，记作二元组（特征空间，边缘分布）。通俗说，就是"房子所在的地段与户型风格"
• 源域：预训练数据所在的域，记号通常用带下标的小写字母组合表示，如"源域的样本与分布"
• 目标域：目标任务数据所在的域，即"你要住的地段"
• 源任务/目标任务：在各自域上要解决的预测任务（标签空间与预测函数）。任务是"房子的用途"：自住、出租还是开店
• 预训练模型：在源域源任务上训练好的模型，即"买来的旧宅"本身

判断迁移类型时只看两件事：域同不同（分布是否一致）、任务同不同（标签空间与目标是否一致）。这正是第 2 章分类法的两根轴。

三个项目代入坐标系

空定义记不牢，代入三个典型项目：

项目甲：ImageNet 预训练的 ResNet，微调识别工厂产品缺陷（正常/缺陷）。源域=自然图像，目标域=工业相机图像；源任务=千类物体识别，目标任务=二分类。域不同（成像方式、分辨率、目标外观都变），任务不同（标签空间完全换）——这是典型的"域与任务都变"，但因为视觉底层特征通用，迁移依然成立。

项目乙：英文情感分析模型迁移到中文评论情感分析。任务相同（正负情感二分类），域不同（语言、文化语境）。这属于"同任务跨域"，第 2 章会看到它落在直推式迁移的格子里。

项目丙：用通用中文语言模型微调做医疗问答。源任务=掩码预测（无监督目标），目标任务=问答。域相近（都是中文文本），任务不同——几乎所有 NLP 下游微调都是这个形态，即归纳式迁移。

用代码把项目甲的坐标写清楚，顺便检查数据分布差异这一"域距离"的粗度量：

import numpy as np

# 用通道统计粗略刻画两个域的分布（各抽 500 张图的均值向量）
rng = np.random.default_rng(42)
# ImageNet 子集的 RGB 通道均值（文献公认值）
src_mean = np.array([0.485, 0.456, 0.406])
# 工业相机图像的通道均值（假设实测）
tgt_mean = np.array([0.512, 0.498, 0.470])

# 源域与目标域的均值差（一种最粗的域距离度量）
dist = np.linalg.norm(src_mean - tgt_mean)
print(f"通道均值差的欧氏距离: {dist:.4f}")   # 输出: 0.0995

# 再算马氏风格的方向差异：哪个通道漂移最大
drift = np.abs(tgt_mean - src_mean) / src_mean
for ch, name in enumerate("RGB"):
    print(f"{name} 通道相对漂移: {drift[ch]:.1%}")
# 输出: R 通道相对漂移: 5.6%, G: 9.2%, B: 15.8%
# 漂移不小：工业图像更亮偏冷色调，提示微调时数据增强要保留色彩扰动
​

这个数字本身不决定成败，但它是工程上最快能算出来的"域距离信号"——均值都差这么多，分布差异值得认真对待，第 2.2 节的领域适应工具就派上用场。

五个术语的关系总图

💡 关键直觉：描述迁移项目就像写租房合同——甲方（源）、乙方（目标）、标的物（预训练模型）、用途变更（任务差异），四要素写清，纠纷才好排查。

术语使用的常见错误

• 把"域"等同于"数据集"：域是分布，数据集只是分布的采样。同一数据集换个采样方式仍是同域
• 把"预训练模型"当成一个点：同一个架构配不同预训练数据是不同的旧宅，许可证与偏见特性都不同
• 忽略标签空间映射：源任务千类与目标任务二类之间没有天然对应关系，换头（第 4 章）就是处理这个不对齐的工序

一个帮助记忆的小练习：拿你手头任何一个 AI 项目，用一句话写出"源域是什么、源任务是什么、预训练模型是哪个、目标域与目标任务差在哪"。写不出来的项目，迁移策略多半是拍脑袋定的。

把坐标系用到极限：三种迁移困境的术语诊断

术语坐标系的价值在困境里体现得最充分。用三个困境练一遍：

**困境一：同一个模型在训练数据上九成五、到了新医院只有七成。**用坐标系描述：目标域变了（新医院的患者构成、设备型号构成新分布），目标任务没变。诊断指向域的漂移，处方在领域适应的工具箱里（第 2.2 节），而不是继续加数据训练。

**困境二：客户要"把英文模型的能力搬到中文"。**这句话在坐标系下是歧义的——搬的是"理解能力"（任务能力迁移，需要中文预训练加微调）还是"具体知识"（如实体库，那是数据工程不是模型迁移）。术语层面问清"源域源任务分别指什么"，一半的需求分歧在这里就能暴露。

**困境三：多轮迭代后模型越改越差。**回看坐标系：每一次迭代源域源任务有没有变？如果中途换了预训练版本（源侧悄悄变了）而验收只用旧基线对照，坐标已经错位，比较失去意义。版本记录（第 3.4 节）就是防止坐标系漂移的档案。

这三个困境有一个共同点：问题的第一现场都在描述层——把源、目标、任务说准了，处方空间就缩小到一两格。反过来说，大部分"模型玄学问题"的根源，是团队从没把坐标系五要素写下来过。

顺带立一个协作约定：项目文档的第一段就应该是坐标系五要素表，而不是业务背景。新成员接手项目，最快的方式不是读需求文档，而是看这张表——源在哪、目标在哪、搬什么、差多少，四行文字胜过一小时会议。本册第 5 章三个工地的开头都按这个约定写背景，可以当模板参考。

本节要点回顾

• 五词一系：源域、源任务、目标域、目标任务、预训练模型，构成迁移项目的完整描述
• 域是分布不是数据集：判断域异同要看特征空间与边缘分布，不是看文件名
• 两根轴：域同不同、任务同不同——第 2 章的归纳、直推、无监督三分法直接由这两轴生成
• 域距离可测：通道统计这类粗度量也能给出漂移信号，为是否需要领域适应提供初步依据
• 第 1 章收束：概念、动机、工序、关系、术语五节齐了，下一章带着这套坐标系去评估旧宅的承重结构