39 lines
1.6 KiB
YAML
39 lines
1.6 KiB
YAML
# 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: 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: 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: 1700
|
|
optimizer: {name: adamw, lr: 0.001, weight_decay: 0.0001}
|