[Task]: Lora更新时延优化，适配权重更新图

### Add a description ### 🚀 背景描述 当前lora权重更新耗时很大，经过分析发现是因为GE在构造权重更新图时使用控制流以及纯动态，需要优化权重更新图，权重更新图中不存在输出，但是构建func_graph时要求一定要有输出，所以需要在convert.cc中删除多余的输出节点 ### 设计思路 ### Lora权重更新 ### 整体思路： 当前权重更新子图为GE构建，GE在构建权重更新子图时为了保证其泛化性，权重更新子图中使用控制流以实现只更新部分variable节点权重，使用纯动态以保证可以在不同的shape下实现权重更新，但是当前lora的流程中权重本身shape不会发生变化，并且为了节省显存，去除了初始化子图，权重更新图中使用控制流也没有意义，所以当前将权重更新子图修改为mslite手动构图，使用固定shape构图，并且去除控制流算子。 ### Lora权重更新使用方式： #### 模型转换： 在转换时添加如下配置文件： ``` [ascend_context] variable_weights_file=single_matmul_model.onnx.variable_weights_file ``` 该配置的功能为指定哪些节点后续需要进行权重更新，其格式为： ``` 权重名:权重shape；节点名 ``` 例如： ``` input_matrix:4,4;node_matmul ``` 该配置对应模型如下图所示：  input_matrix即为图中matmul算子的第二个输入的名字，配置中第二列的(4,4)为matmul算子第二个输入的shape，第三列的node_matmul即为图中matmul算子的名字。通过该配置告诉程序input_matrix这个权重需要在推理时更新其内容。 #### 权重更新： ``` import mindspore_lite as mslite model = mslite.Model() context = mslite.Context() context.target = ["ascend"] context.ascend.device_id = 0; model.build_from_file("path_to_model", mslite.ModelType.MINDIR, context=context) tensor = mslite.Tensor(np.ones((4,4),dtype=float32)) mode.update_weights([[tensor]]) ``` ### 测试验证设计 1.使用Matmul单算子模型看护Lora转换流程(包括直接更新matmul中权重参数以及通过插入算子计算权重参数两种方式) 2.验证lora更新前后模型输出是否有变化 3.验证连续多次更新模型权重是否有问题 4.验证模型权重更新后精度是否ok 5.验证更新权重时传入空列表是否产生预期报错