Feature/multi node training

[kilinchange]

已完成多机训练基础设施的开发，并在双机 16 卡环境下验证了 llama/gpt2 在 fp32 与 bf16 精度下的多维并行训练能力（支持 DDP、TP、SP、PP 及其组合）。

[kilinchange]

Llama FP32 精度

双机 16 卡开启 ddp+tp+sp+pp 并行训练：

单机同规模：

Llama BF16 精度

双机 16 卡开启 ddp+tp+sp+pp 并行训练：

单机同规模：

[kilinchange]

GPT2 FP32 精度

双机 16 卡开启 ddp+tp+sp+pp 并行训练：

单机同规模：

GPT2 BF16 精度

双机 16 卡开启 ddp+tp+sp+pp 并行训练：

单机同规模：

[kilinchange]

以上述测例中双机 16 卡 llama fp32 为例，主节点运行指令：
./infini_run --nnodes=2 --nproc_per_node=1 --node_rank=0 -- ./gpt2 --device cuda --input_bin /data/shared/InfiniTrain-dev/data/llmc/gpt2/tinyshakespeare/tiny_shakespeare_train.bin --llmc_filepath /data/shared/InfiniTrain-dev/data/llmc/gpt2/gpt2_124M.bin --num_iteration 10 --nthread_per_process 8 --batch_size 40 --total_batch_size 10240 --tensor_parallel 2 --pipeline_parallel 2 --sequence_parallel
从节点运行指令：
./infini_run --nnodes=2 --nproc_per_node=1 --node_rank=1 -- ./gpt2 --device cuda --input_bin /data/shared/InfiniTrain-dev/data/llmc/gpt2/tinyshakespeare/tiny_shakespeare_train.bin --llmc_filepath /data/shared/InfiniTrain-dev/data/llmc/gpt2/gpt2_124M.bin --num_iteration 10 --nthread_per_process 8 --batch_size 40 --total_batch_size 10240 --tensor_parallel 2 --pipeline_parallel 2 --sequence_parallel

唯一区别是传给 infini_run 的 --node_rank 参数值。