[Feature]: 新增FusedAdamW 优化器

### 🚀 背景描述 需求来源：ADS中SparseBEV和GOD网络，由于存在parameter较多且相对shape较小，优化器更新参数时有大量的H2D操作，从而降低了网络性能。 优化器更新参数时需反复把计算从 Host 推向 Device，每一次下发都带来一次 H2D 开销，训练速度随之下降。这些底层运算逻辑一致，区别仅在于目标数据，因此先在 Host 端一次性完成全部计算，再集中下发，可大幅减少 H2D 次数，提升性能。但是，合并后的批量下发需要更大的内存，无法再利用 Device 上的零散小块内存，因此融合优化器会占用更多内存空间。 SparseBEV和GOD网络由于存在parameter较多且相对shape较小，有大量的H2D操作，影响网络性能。为了减少网络中h2d的下发操作，新增优化器 FusedAdamW，提升网络性能。 ### 设计思路 **主要方案** 对数据重排，然后对入参进行分组拼接，拼接后一次性下发，来减少 h2d 操作。 **具体实现如下**： 基于已有的优化器 optimizer 实现一个新的融合优化器 FusedAdamW，具体实现如下： 1. `contiguous_params` 里把本组参数展平后连续存放，让 `AdamW` 底层拿到 一块连续地址； 2. `mint.cat(..., dim=0)` 把 N 个小梯度拼成 **1 个大梯度**，原来要下发 N 次，现在只下发 **1 次**； 3. 所有 `continuous_*` 列表里每个元素对应 **一组** 参数，优化器只需要按照 **组数** 循环； 4. 最后只调 1 次 ·self.adamw_opt(...)· 完成整组更新，底层只需1次下发。 **作用**： 减少h2d的下发操作，提升性能。 ### 涉及到的对外API 新增对外接口 FusedAdamW 【用法】 1. FusedAdamW(params, *, lr=1e-3, betas=(0.9, 0.999), eps=1e-8, weight_decay=1e-2, amsgrad=False, maximize=False) 2. FusedAdamW(params=group_params, lr=1e-3)，其中`group_params`为自定义参数组 参数： - params (Union[tuple, list])：待优化的参数列表或自定义参数组。 - lr (float, 可选)：学习率。默认值为 1e-3。 - betas (Tuple[float, float], 可选)：用于计算梯度及其平方的运行平均值的指数衰减率。默认值为 (0.9, 0.999)。 - eps (float, 可选)：为提升数值稳定性而添加到分母中的项。必须大于 0。默认值为 1e-8。 - weight_decay (float, 可选)：权重衰减（L2 惩罚）。默认值为 1e-2。 - amsgrad (bool, 可选)：是否使用 AMSGrad 算法。默认值为 False。 - maximize (bool, 可选)：若为 True，则最大化目标函数对应的参数；若为 False，则为最小化。默认值为 False。 输入：gradients (tuple[Tensor])：params 对应的梯度张量元组。 返回：无。该操作用于原地更新参数。 约束： - lr 必须为浮点数且不小于 0。 - eps 必须大于 0。 - betas 中的每个值必须在区间 [0, 1) 内。 - weight_decay 必须不小于 0。 异常： - ValueError：若学习率不是浮点数。 - ValueError：若学习率小于 0。 - ValueError：若 eps 小于 0。 - ValueError：若 betas 不在区间 [0, 1) 内。 - ValueError：若 weight_decay 小于 0。 支持平台：Ascend ### 与其他模块的相关性描述 **测试计划**： 1. 明确优化器验收规格，由测试验收 2. 开发自验证保障优化器的功能与精度 **测试设计**： 1. 测试验收 2. 开发自验证 **1. 测试验收规格**： 1. 功能：原使用AdamW (mindspore.mint.optim.AdamW ) 的用例，改成 FusedAdamW 后用例无异常。 2. 精度：原使用AdamW (mindspore.mint.optim.AdamW ) 的用例，改成 FusedAdamW 后用例零偏差对齐。 3. 性能：不同网络的收益取决于网络中parameter的规格，其中SparseBEV和GOD网络整网收益5%，parameter规格如下： …