cait_xxs36_384.fb_dist_in1k 是 timm 库中基于 CaiT（Class-Attention in Image Transformers）架构的图像分类模型，由原作者在 ImageNet-1k 上以知识蒸馏方式预训练。本文带你逐行读懂它的模型卡片与 config.json 配置参数，从 architecture 到 mean/std 标准化值，每个字段的作用一次讲清楚。📖

一、30 秒认识这个模型

在解析配置之前，先用几句话了解它"是谁"：

模型名cait_xxs36_384.fb_dist_in1k本身就是信息：xxs36表示 extra-extra-small 规模、嵌入维度 36，384表示输入分辨率；后缀fb_dist_in1k则表示 Facebook 原版、蒸馏训练、ImageNet-1k 预训练。

二、仓库文件一览 🗂️

打开仓库，你能看到 4 个文件，各司其职：

• 模型卡片：README.md —— 记录模型类型、参数统计、使用示例代码和论文引用，是了解模型的第一入口
• 模型配置：config.json —— 本文主角，定义架构与预训练行为
• 模型权重：model.safetensors 与 pytorch_model.bin —— 同一份权重的两种存储格式，加载时选其一即可

三、config.json 逐项深度解析

完整的配置文件仅 33 行，但几乎每个字段都会影响模型的行为。下面按 config.json 中的出现顺序逐个拆解。

3.1 顶层参数：模型长什么样？

①architecture（config.json）

值为cait_xxs36_384。它告诉 timm 应该实例化哪一种 CaiT 变体——层数、通道数、注意力结构全部由这个名字决定，你无需手写模型结构代码。

②num_classes（config.json）

值为1000，对应 ImageNet-1k 的类别数。也就是说，该模型分类器最后一层输出 1000 个 logits。做迁移学习换成自己的类别时，只需在创建模型时覆盖这个参数。

③num_features（config.json）

值为192，指模型最终输出特征向量的维度。当用作图像 Embedding 模型（去掉分类头）时，提取出的全局特征就是 192 维。

④global_pool（config.json）

值为token，表示全局池化采用"类令牌"（class token）取值方式：从 Transformer 输出中直接取 class token 的表示作为整图特征，而不是对所有 token 做平均池化。CaiT 专门设计了 class attention 机制，token池化正是发挥其优势的标准做法。

3.2pretrained_cfg：预训练行为全记录

pretrained_cfg子对象（config.json）是理解模型"怎么用"的关键，timm 加载预训练权重和构造数据预处理管道时都会读取它。

⑤tag（config.json）

值为fb_dist_in1k，是预训练版本的标签：fb（Facebook 原版权重）+dist（知识蒸馏训练）+in1k（ImageNet-1k 预训练）。同一架构可能有多个 tag（如in1k_384、in1k_448等不同分辨率版本），tag 用于区分。

⑥custom_load（config.json）

值为false，表示加载权重时不需要任何特殊处理（比如剔除某些层、重映射层名），标准流程直接加载即可。

⑦input_size（config.json）

值为[3, 384, 384]，即 3 通道、高 384、宽 384 的 RGB 图像。这是模型预训练时的输入规格，推理时建议保持一致。

⑧fixed_input_size（config.json）

值为true，说明该模型对输入尺寸敏感（CaiT 的位置编码按 24×24 的 patch 网格设计），不建议随意改动输入分辨率。

⑨interpolation（config.json）

值为bicubic。当输入图像尺寸与 384×384 不一致时，使用双三次插值进行缩放，它比最近邻插值能保留更多细节。

⑩crop_pct与crop_mode（config.json）

crop_pct为1.0、crop_mode为center：推理评估时不做裁剪，直接居中取整图。crop_pct小于 1 才会触发裁剪（如 0.875 对应常见的训练期随机裁剪策略）。

⑪mean与std（config.json）

这是 ImageNet 数据集的经典标准化参数：

• mean=[0.485, 0.456, 0.406]（RGB 三通道均值）
• std=[0.229, 0.224, 0.225]（RGB 三通道标准差）

所有进入模型的像素都会先除以 255，再按"（像素 − mean）/ std"做归一化。timm 会根据这两组数字自动生成预处理变换，你不用手写 Normalize 代码。

⑫num_classes（config.json）

再次出现，值1000，表示预训练权重自带 1000 类的分类头，与顶层参数一致，便于框架自动匹配。

⑬pool_size（config.json）

值为null。配合global_pool: token理解：既然直接取 class token，就无需额外指定池化窗口大小。

⑭first_conv（config.json）

值为patch_embed.proj，指明模型的"第一层卷积"是 patch 嵌入模块。这个字段在微调技巧中很常用——例如把第一层卷积换成 2 通道卷积来适配医学图像，框架就是靠它定位的。

⑮classifier（config.json）

值为head，表示分类器对应的模块名是head。当你只想要特征而不想要分类结果时，框架据此知道该"摘除"哪个模块。

3.3 一张表看懂参数分组

四、配置如何变成实际使用？⚙️

理解了配置，再来看它如何"落地"。以图像分类为例，核心只需一行创建模型：

import timm model = timm.create_model('cait_xxs36_384.fb_dist_in1k', pretrained=True)

随后用timm.data.resolve_model_data_config(model)即可获得基于 config.json 自动推导的预处理参数（resize 到 384、中心裁剪、双三次插值、ImageNet 标准化）——pretrained_cfg里的字段正是在这一步派上用场。完整示例见模型卡片：README.md。

另外两个值得注意的细节：

• 图像 Embedding：设置num_classes=0或调用forward_features，可得到未池化的 token 序列，形状为(1, 577, 192)——其中 576 个是 24×24 的图像 patch token（384 ÷ 16），1 个是 class token；参考 README.md。
• 特征维度呼应：这里的 192 维特征向量，正是顶层num_features参数的体现。

五、新手常见疑问 FAQ

Q1：能改成 224×224 的输入吗？不建议。fixed_input_size为true且interpolation固定为 bicubic，说明该权重是为 384×384 分辨率调优的，改小分辨率会损失精度。

Q2：model.safetensors和pytorch_model.bin怎么选？两者内容相同，model.safetensors是更安全、加载更快的现代格式，优先选它；pytorch_model.bin是为兼容旧版 PyTorch 提供的备份。

Q3：global_pool: token换成avg可以吗？技术上可行，但不符合 CaiT 的设计初衷，class attention 的价值主要体现在 token 池化路径上，更换会损失性能。

Q4：first_conv和classifier我在哪里用得上？迁移学习时：改输入通道数靠first_conv定位；只取特征、替换分类头靠classifier定位。详见 config.json。

总结

回到 config.json，它不过 30 多行，却完整刻画了一个模型"是什么、怎么喂、怎么加载"的全部信息：architecture定结构、pretrained_cfg定行为、mean/std定预处理。读懂这份配置，你也就掌握了阅读任意 timm 模型卡片的通用方法。✅

• 模型卡片全文：README.md
• 配置参数原文：config.json
• 模型权重：model.safetensors、pytorch_model.bin