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>

train.py

@@ -4,8 +4,10 @@
 用法:
     python train.py --config configs/train/baseline.yaml
     python train.py --config configs/train/baseline.yaml --set train.epochs=10 train.optimizer.lr=5e-4
+    python train.py --config configs/train/baseline.yaml --device mps
 
-硬性约束：没有 Nvidia GPU 时直接退出（见 CLAUDE.MD / utils/device.py）。
+设备由配置的 `device` 决定，默认 `auto`：按 cuda > mps > cpu 挑最快的可用后端。
+显式指定但不可用时直接报错，不会悄悄退回 CPU。
 """
 
 from __future__ import annotations
@@ -14,13 +16,11 @@ import argparse
 import sys
 from pathlib import Path
 
-import torch
-
 from datasets import build_dataloader, build_dataset, load_classes
 from engine import Trainer
 from models import build_model
 from utils import check_label_mode, load_config, seed_everything, setup_logging
-from utils.device import NoNvidiaGpuError, require_cuda
+from utils.device import DeviceNotAvailableError, describe_device, resolve_device
 
 
 def parse_args() -> argparse.Namespace:
@@ -28,6 +28,7 @@ def parse_args() -> argparse.Namespace:
     parser.add_argument("--config", required=True, help="yaml 配置路径")
     parser.add_argument("--set", nargs="*", default=[], metavar="KEY=VALUE", help="覆盖配置项")
     parser.add_argument("--work-dir", default=None, help="覆盖配置中的 work_dir")
+    parser.add_argument("--device", default=None, help="覆盖配置中的 device：auto / cuda / mps / cpu")
     parser.add_argument("--resume", default=None, help="从检查点恢复训练")
     return parser.parse_args()
 
@@ -41,14 +42,13 @@ def main() -> int:
     logger = setup_logging(work_dir / "train.log")
 
     try:
-        gpus = require_cuda()
-    except NoNvidiaGpuError as exc:
+        device = resolve_device(args.device or cfg.get("device", "auto"))
+    except DeviceNotAvailableError as exc:
         logger.error("%s", exc)
         return 1
-    logger.info("检测到 GPU: %s", ", ".join(gpus))
+    logger.info("训练设备: %s", describe_device(device))
 
     seed_everything(int(cfg.get("seed", 42)), bool(cfg.get("deterministic", False)))
-    device = torch.device(cfg.get("device", "cuda"))
 
     classes = load_classes(cfg["classes"])
     # label_mode 由 yaml 决定，模型与数据集必须一致，这里统一下发。