[🐛BUG] 断点resume将导致性能下降

[asinsss]

描述这个 bug
当保存checkpoint并中断训练后，使用resume函数加载checkpoint并重启训练将会损害最终性能，例如LDiffRec的ndcg@10将由0.045降0.028。
导致这一问题的原因目前已发现两点，首先是缺乏恢复训练的逻辑，重启训练将导致train data从第一批次重新开始，当我们将train data与epoch对齐解决了这一点后，又发现中断重启会导致LDiffRec的encoder部分参数更新出错，继而得到更高的loss并造成最终的性能瓶颈。

如何复现
复现这个 bug 的步骤：

1. 在某次epoch结束后调用_save_checkpoint函数保存checkpoint。
2. 在quick_start.py的run_recbole函数中，在trainer.fit调用前添加检测checkpoint并调用resume函数的代码。
3. 在trainer.py的fit函数的epoch循环中添加如下代码以对齐train data的批次和epoch_idx（可选）
   for epoch_idx in range(self.start_epoch, self.epochs): for i in range(self.start_epoch): # skip train_data epochs for batch in train_data: # skip train_data batchs pass
4. 重新启动训练，观察log输出的评估结果。

预期
希望可以修复上述问题，并提供完整的resume逻辑，例如指定checkpoint文件以提示是否调用resume函数。
另外我注意到Time and Memory Costs中没有DiffRec等新模型的条目，希望后续可以添加以供参考。

实验环境：

• 操作系统:Linux
• RecBole 版本 0.1.2
• Python 版本 3.8
• PyTorch 版本 2.0
• Cuda 版本 11.8

[BishopLiu]

@asinsss 感谢你指出这一问题，我们会在下一版本中进行修复。