fix(trainer): 检测训练续训以配置为准，并恢复学习率调度进度

train.py --resume 走的是与 SimCLR 不同的一套代码，同样的问题在这里更严重：

- load_checkpoint 直接 optimizer.load_state_dict，把 lr/weight_decay 连同动量缓冲
  一起还原成存档值：yaml 写 lr=5e-4，实际仍按检查点的 1e-3 训
- save_checkpoint 根本没保存调度器状态，续训时 scheduler.last_epoch 从 0 开始，
  而 optimizer 的 lr 又来自检查点，两者互相矛盾，cosine 曲线完全错乱

改为与 SimCLR 一致的「配置文件是唯一真相源」：

- save_checkpoint 补上 scheduler 状态、global_step 与当时的 train 配置快照
- 新增 Trainer.resume()：加载优化器状态后按组写回配置里的超参（只留动量缓冲，
  并保住 BN/bias 那组 weight_decay=0 的结构），调度器按当前配置重建再快进到已训 epoch
- 配置与检查点不一致时逐项打日志说明按当前配置执行
- train.py 改用 trainer.resume()，不再自己拼恢复逻辑

实测续训到 10 轮时 lr=3.273e-04，与 cosine 在 4/10 处的理论值精确一致；
weight_decay、T_max、调度进度、动量缓冲均正确。

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

engine/checkpoint.py

@@ -16,16 +16,27 @@ def save_checkpoint(
     epoch: int = 0,
     best_metric: float | None = None,
     config: dict | None = None,
+    scheduler: Any = None,
+    global_step: int = 0,
+    train_cfg: dict | None = None,
 ) -> Path:
+    """保存检查点。
+
+    除模型与优化器外还记下调度器状态、global_step 和当时的 train 配置：
+    少了这些，续训时学习率调度会从头开始，而且无法判断 yaml 里的超参有没有被改过。
+    """
     path = Path(path)
     path.parent.mkdir(parents=True, exist_ok=True)
     torch.save(
         {
             "model": model.state_dict(),
             "optimizer": optimizer.state_dict() if optimizer else None,
+            "scheduler": scheduler.state_dict() if scheduler else None,
             "epoch": epoch,
+            "global_step": global_step,
             "best_metric": best_metric,
             "config": config,
+            "train_cfg": train_cfg,
         },
         path,
     )