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）：
 

configs/cluster/film_simclr_resnet50.yaml

@@ -0,0 +1,46 @@
+# 用 resnet50 做域内自监督（SimCLR）再聚类。
+#
+# 与 film_simclr_resnet18.yaml 的区别只有骨架和 batch_size，其余超参保持一致，
+# 方便直接对比两个骨架的效果。
+#
+# 用法：
+#   uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet50.yaml \
+#       --work-dir runs/simclr_r50 --set simclr.epochs=40
+_base_:
+  - ./film.yaml
+
+method: simclr
+
+num_clusters: 5
+
+simclr:
+  backbone:
+    # _replace_ 必须保留：不加的话 base 里 tiny_conv 的 widths/depths/block 会残留，
+    # 传给 TorchvisionBackbone 直接报错。见 utils/config.py::deep_merge
+    _replace_: true
+    name: torchvision
+    arch: resnet50
+    pretrained: true      # 从 ImageNet 权重起步再自监督微调；改 false 则从随机初始化开始
+    in_channels: 3
+
+  # torchvision 的 features 是 nn.Sequential，可以取中间层（4~7 = layer1~4）。
+  # 沿用 resnet18 上的实测结论：layer2+3 明显优于 layer4，缺陷差异主要在纹理层面。
+  # 注意 resnet50 的 layer2+3 是 512+1024=1536 维（resnet18 只有 128+256=384 维），
+  # 后续 PCA 仍降到 pca_dim=32，所以下游开销不变。
+  feature_stages: [5, 6]
+
+  # resnet50 比 resnet18 重一倍（23.5M vs 11.2M），显存吃得多得多。
+  # 实测（Apple MPS，128x128 双视图）：
+  #   batch 1024 -> ❌ OOM，需要 18.7 GiB
+  #   batch  128 -> ✅ 604 MB，每 epoch 约 155 秒
+  #   batch   64 -> ✅ 483 MB，每 epoch 约 155 秒
+  # 每 epoch 耗时与 batch 基本无关（算力受限而非带宽受限），所以调小 batch 不花额外时间，
+  # 只是 NT-Xent 的负样本变少、InfoNCE 下界略松。显存不够就继续往下调到 128 / 64。
+  batch_size: 256
+
+  epochs: 2500
+  optimizer: {name: adamw, lr: 0.0001, weight_decay: 0.00001}
+
+  # 投影头沿用 base 的 256 隐藏维。SimCLR 原文给 resnet50 用的是 2048->2048->128，
+  # 想更贴近原设置可以改成 {hidden_channels: 2048, out_channels: 128}——
+  # 实测这一项不是显存瓶颈，但对聚类质量的影响本仓库尚未测过。