让 AI 追踪梯度反转层：前向值没变，为什么两部分参数朝相反目标更新
模型从一种拍摄环境迁到另一种环境时，希望特征仍能完成任务，同时少依赖环境身份。领域对抗训练加入一个预测域来源的分支：域预测头努力分清来源，特征提取器则接受相反方向的域信号。梯度反转层把这两个目标接在一起，却不改变前向特征。
AI模型生成的概念插图：域分支有单独返回的反向信号；不是精确网络结构、训练截图或实际数据流。
同一个前向数值，两条损失分支
用平方损失构造一个仅验证梯度方向的标量练习，避免把它当作完整领域分类器。输入x=2，特征f=wx，初始w=1，所以f=2。任务分支直接预测f，目标为3，损失L任务=(f-3)²/2=0.5。
域分支预测d=vf，初始v=1，目标暂取0，损失L域=d²/2=2。在特征与域分支之间放梯度反转层：前向原样传f，反向只把经过它的梯度乘-λ。固定λ=0.5，域损失自身的外部权重保持1。
只改变返回特征的域梯度
任务损失对f的导数为f-3=-1。域损失对f的普通导数为d×v=2；经过反转层后成为-0.5×2=-1。两条信号相加为-2，再乘f对w的导数x=2，得到w的更新用梯度-4。
域预测头v位于反转层之后，其梯度没有经过该层，仍为d×f=4。取普通梯度下降学习率0.1，分别得到新w=1.4、新v=0.6。必须在同一个初始状态算完两项梯度，不能先更新w再用新特征偷偷重算v的梯度。
若把整个域损失直接改成-0.5L域，v也会收到负梯度-2，更新到1.2，反而帮助域分支把自己的损失做大。这样改变了原本应该认真辨域的预测头，不等价于仅对上游特征做梯度反转。
观察相反目标时，先固定另一方
只更新特征w到1.4、暂时固定v=1，域损失由2升到3.92，任务损失降为0.02。只更新域头v到0.6、固定w=1，域损失则降到0.72。两者确实在域目标上使用相反方向。
若二者同时更新，域损失为1.4112，仍低于初始2。不能仅看到联合更新后的域损失下降，就断言反转层失效；预测头的改进也在发生。实际训练还会受任务梯度、步长与模型容量共同影响。
本次程序分别对特征目标L任务-0.5L域、以及域头目标L域做有限差分，复核-4与4。不要对反转层的恒等前向函数直接做普通导数检查：真正恒等函数的导数是1，而该层故意规定另一套返回梯度，它不是普通标量前向函数的自然导数。
让AI交付每项梯度属于哪组参数、经过哪一层、系数放在哪一处，再核对更新。若实现已把λ乘到域损失，就不要又不加区分地重复缩放。λ=0会阻断域分支对特征的影响，但按本文约定域头仍可正常学习。对齐域信息也不自动保证目标域任务准确，需要单独评估。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立程序复核，未进行真实模型训练或效果测试。
