fix(backbones): 修复 shufflenet 无法构建，并让换骨架不再踩配置合并的坑

- shufflenet_v2_x1_0 列在支持清单里却直接 AttributeError：ShuffleNetV2 既不是
  扁平 children 也没有 .features，需要按 conv1/maxpool/stage2..4/conv5 自己拼。
  该 bug 同时影响 SimCLR 与检测模型
- 新增参数化测试覆盖清单里的每个 arch：能前向、声明的 out_channels 与实际一致
- 配置支持 `_replace_: true`：子字典整块替换而不与 base 合并。换骨架时
  tiny_conv 的 widths/depths 会残留并传给新骨架，此前无论用 --set 还是 _base_
  都绕不开，只能改原文件
- Registry.build 提前校验字段，报错直接指出是哪些字段不被接受、该怎么办，
  取代裸 TypeError
- README 补充可选骨架表与三种改法（含不该用 --set 改 name 的说明）

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

README.md

@@ -353,6 +353,51 @@ view_transforms:            # 生成两个视图的随机增强
 > `RandomResizedCrop` 的 `scale` 下限别低于 0.4：裁太狠会让两个视图都只剩背景，
 > "背景 vs 背景"被当成正样本对，学出来的特征会退化。
 
+#### 换一个骨架
+
+`simclr.backbone` 用的是和检测模型同一套注册表，可选：
+
+| `name` | `arch` | out_channels | 说明 |
+| --- | --- | --- | --- |
+| `tiny_conv` | — | 256（可调） | 自研深度可分离卷积，默认，最轻 |
+| `torchvision` | `resnet18` / `resnet34` | 512 | 通用基线 |
+| `torchvision` | `resnet50` | 2048 | 最强也最重，MPS 上注意 batch |
+| `torchvision` | `mobilenet_v3_small` / `_large` | 576 / 960 | 面向实时部署 |
+| `torchvision` | `shufflenet_v2_x1_0` | 1024 | 同上 |
+
+全是纯卷积（ViT/Swin 不在支持范围，本项目要部署在实时设备上）。改法是**整块替换**
+`simclr.backbone`，因为两种骨架的字段完全不同（`widths/depths/block` vs `arch/pretrained`）：
+
+```yaml
+# configs/cluster/film.yaml
+simclr:
+  backbone:
+    name: torchvision
+    arch: resnet18
+    pretrained: true      # 先用 ImageNet 权重起步，再在本批数据上自监督微调
+    in_channels: 3
+```
+
+如果不想改原文件，用 `_base_` 继承时要加 `_replace_: true`——子字典默认是**合并**而不是
+替换，不加的话 base 里 `tiny_conv` 的 `widths/depths` 会残留下来传给新骨架：
+
+```yaml
+_base_: [configs/cluster/film.yaml]
+simclr:
+  backbone:
+    _replace_: true     # 整块换掉，不与 base 合并
+    name: torchvision
+    arch: resnet18
+    pretrained: true
+```
+
+> **不要用 `--set simclr.backbone.name=torchvision`**：它只改名字，旧骨架的专有字段仍在，
+> 会报 `构建 'torchvision' 时收到它不接受的字段 ['block', 'depths', 'widths']`。
+> 换组件请改配置文件。
+
+注意 `simclr.feature_stages`：`torchvision` 系列的 `features` 是 `nn.Sequential`，可以填
+`[5, 6]` 这类中间层下标；`tiny_conv` 不是，必须保持 `null`（取最终输出）。
+
 SimCLR 训练同样接了 SwanLab（配置在 `simclr.swanlab`，字段与 `train.swanlab` 相同，
 默认 `mode: local` 不需要登录）。训练跑起来后另开一个终端：