feat(configs): 新增 resnet50 的自监督聚类配置

仿照 film_simclr_resnet18.yaml，只改骨架与 batch_size，其余超参保持一致以便对比。

batch_size 取 256 而非照抄 resnet18 的 1024：实测 resnet50 在 Apple MPS 上
batch 1024 直接 OOM（需 18.7 GiB），batch 128 时 604 MB。每 epoch 耗时与 batch
基本无关（约 155 秒，算力受限），所以调小 batch 不花额外时间，只是负样本变少。

配置注释里记下了实测数据与降级路径（显存不够继续调到 128 / 64），
并说明 resnet50 的 layer2+3 是 1536 维（resnet18 为 384 维）。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

README.md

@@ -422,13 +422,26 @@ view_transforms:            # 生成两个视图的随机增强
 
 #### 换一个骨架
 
-**仓库自带 resnet18 的现成配置**，直接用：
+**仓库自带 resnet18 / resnet50 的现成配置**，直接用：
 
 ```bash
 uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet18.yaml \
     --work-dir runs/simclr_r18 --set simclr.epochs=40
+
+uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet50.yaml \
+    --work-dir runs/simclr_r50 --set simclr.epochs=40
 ```
 
+两者在 Apple MPS 上的实测开销（14,579 张，128×128 双视图）：
+
+| 骨架 | 参数量 | layer2+3 维度 | 每 epoch | batch 上限 |
+| --- | --- | --- | --- | --- |
+| resnet18 | 11.2M | 384 | 约 93 秒 | 1024 可用 |
+| resnet50 | 23.5M | 1536 | 约 155 秒 | **1024 会 OOM**（需 18.7 GiB），配置里用 256 |
+
+resnet50 每 epoch 的耗时与 batch 基本无关（算力受限），所以显存不够时往下调 batch 不花额外时间，
+只是 NT-Xent 的负样本变少。
+
 注意默认的 `method: pretrained` 用的**也是 resnet18**（ImageNet 权重，不训练，约 51 秒出结果）；
 上面这个配置是在 `data/film` 上自监督训练它。两者实测对比（14,579 张，k=4）：