算法流程：
训练过程中冻结客户端的头部参数，只训练主体参数。训练完之后再在客户端本地跑几个epoch微调一下（文章推荐5个）。
由于该算法与FedPer思路过于相似，故读完后跑了个实验。
FedPer:训练过程中只聚合主体参数。与BABU不同的是，BABU直接把头部参数给冻结了，而Per头部依旧是参与训练的。实验结果如下：
- 引出的疑惑是，Per的头部是全程参与训练的，而BABU的头部训练时是冻结的，只是最后tune了几个epochs，然而Per的性能竟然弱这么多，这是为什么？
- 最后看到文章第四节实验部分有提到，若过度关注于模型的初始性能（没有本地finetune过的性能），则会导致个性化准确率的减少。同时，集中训练的模型更难个性化。Per的头部参与了过多的训练，这可能是其个性化性能较差的原因。当然本人还有另一种想法，就是Per同时训练头部和主体参数，头部因训练而造成参数的改变也会影响主体的训练效果。而BABU完全锁定了头部参数，专注于主体参数的训练，就是在训练时专注于特征提取能力的提升，这样会使得BABU的主体层性能高于Per，而个性化性能只需要finetune几下就能训练好了，差别不大，故最终BABU的性能高于Per。
- 另外暂不清楚为何BABU性能弱于avg+finetune但论文中显示BABU明显优于avg+finetune
