# 用 resnet18 做域内自监督（SimCLR）再聚类。
#
# 与默认配置的区别只有骨架：configs/cluster/film.yaml 的 method=pretrained 用的也是
# resnet18，但那是 ImageNet 权重、不训练；这里是在 data/film 上自监督训练它。
#
# 用法：
#   uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet18.yaml \
#       --work-dir runs/simclr_r18 --set simclr.epochs=40
_base_:
  - ./film.yaml

method: simclr

num_clusters: 10

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: resnet18
    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）。
  # 实测（1 epoch 自监督后，14,579 张，k=4）：
  #   [5, 6]    layer2+3  轮廓 0.243  稳定性 0.997   <- 默认
  #   null      layer4    轮廓 0.156  稳定性 0.528
  #   [5, 6, 7] 再加 layer4  轮廓 0.155  稳定性 0.553
  # 原以为自监督之后 layer4 已是域内特征、可以直接用，实测并非如此：
  # 缺陷差异主要在纹理层面，中间层依然更合适。
  feature_stages: [5, 6]

  # resnet18 比 tiny_conv 重得多（11.2M vs 0.3M），显存和耗时都要留余量
  batch_size: 1024
  epochs: 300
  optimizer: {name: adamw, lr: 0.01, weight_decay: 0.0001}