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>

train.py

@@ -87,12 +87,7 @@ def main() -> int:
     )
 
     if args.resume:
-        from engine import load_checkpoint
-
-        state = load_checkpoint(args.resume, model, trainer.optimizer, map_location=device)
-        trainer.start_epoch = int(state.get("epoch", 0)) + 1
-        trainer.best_metric = float(state.get("best_metric") or float("-inf"))
-        logger.info("已从 %s 恢复，起始 epoch=%d", args.resume, trainer.start_epoch)
+        trainer.resume(args.resume)
 
     cfg.dump(work_dir / "config.yaml")
     best = trainer.fit()