feat: 支持 cuda / mps / cpu 三后端，Mac 上可用 MPS 训练

移除"训练必须有 Nvidia GPU"的硬性守卫，改为按后端能力分派。

- utils/device: resolve_device("auto") 按 cuda > mps > cpu 挑最快的可用后端；
  显式指定不可用的后端时直接报错，不会悄悄退回 CPU——训练慢几十倍却不吭声是最坏的情况
- AMP 随后端取默认值：CUDA 开、MPS 关。MPS 上 autocast 数值正常但实测更慢
  （tiny_conv @128²：fp32 76 ms/步、fp16 90 ms、bf16 108 ms），需要时 amp: true 可强开
- PeakMemory 统一显存峰值统计：CUDA 读内置计数器，MPS 无峰值 API 改用逐 step 采样
  （是下界，日志与产出里已标注）
- profile_inference 支持 MPS，并提示 torch.profiler 没有 MPS 的 ProfilerActivity，
  算子明细只反映 CPU 侧下发耗时
- train.py / eval.py 新增 --device，配置默认改为 auto
- check_env 改为列出全部可用后端与 auto 的选择结果

实测：tiny_conv 训练在 MPS 上比 CPU 快约 32 倍。

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

scripts/check_env.py

@@ -1,7 +1,7 @@
 #!/usr/bin/env python
-"""环境自检：确认依赖与 Nvidia GPU 是否就绪。
+"""环境自检：确认依赖与可用的计算后端。
 
-python scripts/check_env.py
+    python scripts/check_env.py
 """
 
 from __future__ import annotations
@@ -11,29 +11,44 @@ from pathlib import Path
 
 sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
 
-from utils.device import NoNvidiaGpuError, cuda_devices, require_cuda  # noqa: E402
+from utils.device import (  # noqa: E402
+    available_backends,
+    default_amp,
+    describe_device,
+    memory_stats,
+    resolve_device,
+)
 
 
 def main() -> int:
     print(f"Python: {sys.version.split()[0]}")
     try:
         import torch
-
-        print(f"PyTorch: {torch.__version__} (CUDA build: {torch.version.cuda})")
     except ImportError:
         print("PyTorch: 未安装 —— 先执行 `uv sync`")
         return 1
 
-    devices = cuda_devices()
-    print(f"Nvidia GPU: {devices if devices else '无'}")
+    print(f"PyTorch: {torch.__version__}  (CUDA 构建: {torch.version.cuda})")
+    print(f"可用后端（按优先级）: {available_backends()}")
 
-    try:
-        require_cuda()
-    except NoNvidiaGpuError as exc:
-        print(f"训练不可用: {exc}")
-        print("（评估/导出仍可在 CPU 上进行）")
+    print("\n后端明细:")
+    print(f"  cuda: available={torch.cuda.is_available()}  device_count={torch.cuda.device_count()}")
+    print(
+        f"  mps : available={torch.backends.mps.is_available()}  "
+        f"built={torch.backends.mps.is_built()}"
+    )
+
+    device = resolve_device("auto")
+    print(f"\ndevice=auto 会选中: {describe_device(device)}")
+    print(f"  AMP 默认: {'开' if default_amp(device) else '关'}")
+    stats = memory_stats(device)
+    if stats:
+        print("  " + "  ".join(f"{k}={v:.0f}" for k, v in stats.items()))
+
+    if device.type == "cpu":
+        print("\n⚠️  只有 CPU 可用，训练会非常慢（实测比 MPS 慢约 30 倍），建议换有 GPU 的机器。")
         return 1
-    print("训练环境就绪。")
+    print("\n训练环境就绪。")
     return 0