# Fine-tuning предобученной CNN

## Теория перед выполнением

Прочитайте [transfer learning](../notes/03_pretraining_and_transfer.md) и
[выбор архитектуры под ограничения](../notes/04_architecture_selection.md).

## Цель

Дообучить ResNet/EfficientNet на небольшом датасете кошек и собак и измерить,
что именно даёт предобучение.

## Что сделать

1. Сформулировать ожидаемый результат до запуска эксперимента.
2. Обучить простую CNN как baseline.
3. Сравнить одну архитектуру со случайными и предобученными весами.
4. Для предобученной модели сравнить frozen backbone, partial и full fine-tuning.
5. Сравнить маленькую и более глубокую архитектуру при одинаковом протоколе.
6. Зафиксировать accuracy/F1, время, память, число параметров и примеры ошибок.
7. Заполнить отчёт по `common/REPORT_TEMPLATE.md`.

## Результат

Таблица экспериментов и объяснение, почему выбранная модель оптимальна при заданном
объёме данных и вычислительном бюджете.

Решение разместите рядом в `solution/`. Не коммитьте большие данные,
веса или секреты.

## Критерии приёмки

- Явно показана разница случайных и ImageNet-весов; learning rate различается для
  head/backbone; test-set не участвует в выборе архитектуры.
- Код читаем, разбит на функции и запускается по инструкции.
- Выводы подтверждаются измерениями и не выходят за пределы эксперимента.

## Вопросы для самопроверки

- Почему выбран именно этот метод и какой baseline он должен превзойти?
- Где здесь возможна утечка данных или некорректная оценка?
- Как изменится результат при других данных или ограничениях?
- Какую ошибку модели вы считаете наиболее важной и почему?