feat: add pipeline parallel

[JYMiracle305]

1. 主要修改：

新增支持Pipeline Parallel（PP）特性，支持把原始model按最外层结构平均分配到多个rank，各个rank持有部分layer以及相应parameters，训练过程forward按计算图顺序从rank 0向rank n计算，barkward从rank n向rank 0计算，各个rank之间通过点对点通信。

net.cc： 根据PP_size和pp_rank在构建模型时构建属于本rank的子块和对应参数。
pipeline_parallel.cc： PipelineParallel封装model，每个rank对应1个PipelineParallel，完成关联PipelineSchedule、PipelineStage、Optimizers，提供TrainStep函数为训练入口，调用调度器的训练方法Step。
pipeline_schedule.cc： PipelineSchedule调度器基类，提供Step函数为完整一轮训练的方法；ScheduleGPipe为调度器子类GPipe实现（示意图如下），StepMicrobatches为调度具体实现。

pipeline_stage.cc： PipelineStage表示当前rank所持有的子图，提供ForwardOneChunk方法执行当前子图内部的forward的计算。
send_recv.cc：ISend和IRecv是两个autograd节点，用于在rank间定向发送张量，依赖于autograd机制，在rank x的反向中最后一步为发送梯度到rank x-1，然后调用rank x-1上的ISend::Backward接收梯度，并开始rank x-1的反向过程。

2. 命令参数：

--pipeline_parallel #uint32类型，表示打开pipeline parallel，参数值为并行的设备数，即stage数量

示例：
./llama3 --input_bin <input_path> --llmc_filepath <model_path> --device cuda --nthread_per_process 8 --batch_size 10 --total_batch_size 5120 --num_iteration 10 --pipeline_parallel 8

[JYMiracle305]

GPT2:
相较于单卡，PP配置下，不采用调度（num_micro_batch==1）性能持平，num_micro_batch==2吞吐量约为1.45倍，num_micro_batch==4吞吐量约为1.92倍，num_micro_batch==8吞吐量约为2.17倍。

单卡：

PP Num_micro_batch 1

PP Num_micro_batch 2

PP Num_micro_batch 4

PP Num_micro_batch 8

[JYMiracle305]

LLaMA3：
相较于单卡，PP配置下，不采用调度（num_micro_batch==1）性能持平，num_micro_batch==2吞吐量约为1.55倍，num_micro_batch==4吞吐量约为2.04倍，num_micro_batch==8吞吐量约为2.35倍。

单卡：

PP Num_micro_batch 1：

PP Num_micro_batch 2：

PP Num_micro_batch 4：

PP Num_micro_batch 8：