一句话定义
冻结骨干（Freeze Backbone）指微调（AI 词典：Fine-tuning">Fine-tuning）一个预训练模型时，把主干网络的参数锁死、不参与更新，只训练最后几层（通常是新加的分类头或输出层）。
打个比方
你买了套精装房，只想换个风格。砸承重墙重排水电，就是全量微调：效果上限最高，但费钱费时，还可能把房子搞坏。冻结骨干的做法是：墙、水电、地板全不动，只换窗帘、沙发和灯具。几十块到几百块就能搞定，一天完工；但你没法靠换窗帘把两居室变成三居室。
原理上发生了什么
神经网络训练的核心是反向传播（Backpropagation）：算出每个参数的梯度，再据此更新参数。冻结就是把骨干里所有参数的“是否需要梯度”开关关掉（主流框架里通常是一个布尔标记，比如 PyTorch 的 requires_grad）。于是：
- 骨干不需要保存梯度，也不需要优化器状态，显存占用大幅下降；
- 反向传播到骨干就停住，每步计算量变小，训练变快；
- 可训练参数只剩最后一层，小数据集上不容易过拟合，也不容易把预训练学到的通用能力“冲掉”（灾难性遗忘，Catastrophic Forgetting）。
代价也在这里：骨干的输出是固定的特征表示。如果新任务和预训练数据差别不大（比如通用图像特征去做一个细粒度分类），最后一层足够把它“翻译”成答案；如果差别很大（比如从自然照片转到医学影像、从通用文本转到高度专业的工艺术语），固定特征里根本没有需要的信息，最后一层再努力也无能为力。这就是“天花板低”的含义。
和相邻概念的区别
| 做法 | 可训练部分 | 成本 | 效果上限 | 典型场景 |
|---|---|---|---|---|
| 全量微调（Full Fine-tuning） | 几乎全部参数 | 高 | 最高 | 数据充足、领域差异大 |
| 低秩适配（LoRA）等参数高效微调（PEFT） | 骨干冻结 + 中间插入的小模块 | 低 | 较高 | 想省钱又不想太早封顶 |
| 冻结骨干 + 只训最后一层 | 仅输出层 | 最低 | 受限于预训练特征 | 快速验证、小数据、多任务共享骨干 |
| 只做提示（Prompting） | 完全不改参数 | 近乎零 | 最低 | 试水、无法训练时 |
注意一个常见混淆：冻结骨干是手段，“特征提取”（Feature Extraction）是策略——把冻结的骨干当成一个固定的特征生成器，在其输出上训练一个小模型，就是特征提取；只训一个线性层则叫线性探测（Linear Probing）。而 LoRA 这类方法同样冻结骨干，只是在骨干内部加了可训练旁路，所以天花板比“只训最后一层”高一截。
对从业者和普通人的意义
对从业者：冻结骨干是性价比极高的基线（Baseline）。拿到一个新任务，先跑一遍冻结骨干，如果效果已经够用，就不必上全量微调；如果差得远，说明瓶颈在特征表示而不是分类头，那就该考虑解冻更多层或改用 PEFT。工程上注意几点：解冻层数本身是个超参（冻一半和只冻底层差别很大）；BatchNorm 一类含统计量的层在冻结时行为要单独确认；冻结部分的学习率设置也影响收敛。具体 API 与默认行为以所用框架的官方文档为准。
对普通职场人：供应商说“我们为你的业务定制了模型”，值得追问一句改了多少参数。只换最后一层和重训整个模型，成本与能力差别很大，报价自然不同。理解“冻结骨干”，你就有了判断“这个定制到底有多深”的一把尺子。