说明一：中断继续训练后的Loss值恢复初始状态。
本次主要更新，取消了原本的中断训练Loss值并接的问题，我们发现，当loss值并接了，中断学习训练并不能很好的继续收敛loss值，导致很多用户认为模型训练无法收敛，可能模型无法学习新知识。
在Pro 1.8.3版本公告中，有说明中断后的Loss值并接算法，属于测试版，经过这么久，我们发现该算法并不是很好的服务用户，在1.9.3版本后，我们将彻底取消中断后的Loss值并接，还是采用NLP训练标准，每当开始训练，Loss值恢复初始状态，并根据每次训练单独计算，这样就能确保直观的了解模型的学习成果和模型收敛问题。
说明二：关于继续训练，学习速度的增长问题说明。
我们发现，较多用户在模型训练结束或者训练学习中途暂停训练后，想接着提升模型能力，并接着训练的时候发现学习速度增长过高的问题，这是一个有趣的现象，但是这也是一个正常的表现，各位Pro用户不必担心是否有异常。
初始训练，在一个训练周期内，预训练模型中，它需要加载各类初始参数以及训练数据集等大量数据，需要加载预训练模型的初始模型权重，所以并发会占用更大的资源去训练。
但是在训练一定的周期后，中断后继续训练，是从你已成功训练保存的模型中，继续加载模型权重和参数，这样就减轻了模型负重能力，同时也释放了更大的算力能力让模型继续学习训练下去，这样的情况就会让每秒学习速度得到一定的上升。
所以，当您继续加载训练，如速度有明显上升，不必担心，这是正常表现。但是建议还是尽可能保持模型在一个周期内完成初始训练。
