Add fused_transpose_quant op

[lshpku]

PR types

Performance optimization

PR changes

APIs

Description

新增fused_transpose_quant算子，等价于以下代码：

def fused_transpose_quant(x):
    N, L, C = paddle.shape(x)
    x = x.reshape([N, L, C // 128, 128]).astype('float32')
    scale = ComputeScale(x.abs().max(axis=-1))     # scale.shape = [N, L, C//128]
    x = (x / scale.unsqueeze(-1)).astype('float8_e4m3fn')
    out = x.reshape([N, L, C]).transpose(0, 2, 1)  # out.shape = [N, C, L]
    return out, scale

实现亮点

1. 使用128x128的分块进行transpose，实现高并行度
2. 由于C维保证128对齐，因此总是使用4x向量化进行读取
3. 由于H维无对齐保证，因此写回时区分了1x/2x/4x向量化实例

性能测试

在A100-40G上做了初步测试，由于A100不支持fp8，因此我在写回cast fp32 to fp8的时候用fp32 to int8进行了模拟，完整测试等H卡环境配好了再测

输入x.shape	用时(ns)	带宽(GBps)	带宽利用率	说明
[4, 4096, 7168]	338,641	1051	67.6%	4x向量化
[4, 4096 + 2, 7168]	383,741	928	59.7%	2x向量化
[4, 4096 + 1, 7168]	411,918	864	55.6%	无向量化

Pcard-85711

[paddle-bot]

Thanks for your contribution!