[Feature]: 动静统一算子级并行：静态图基础流程

### 🚀 背景描述 算子级并行静态图基础流程 ### 设计思路 MindSpore的静态图有着丰富的图优化与执行序优化，可以做到泛化的通信掩盖，和模型结构解耦，如典型的1f1b掩盖，可以完全与模型解耦，是一个很好的优势，但是这个优势也带来了额外的挑战，MindSpore的图不再是对用户模型脚本的trace，而是可以自由进行拓扑排序的有序无环图，因此流程上无法复用动态图的机制，需要有独立的机制。 MindSpore的静态图有着单独的对整网算子的InferShape/InferDtype流程，称之为Renormalize，同时，一定要做完一次Renormalize，整个图才能构建出来。我们整个静态图的张量并行流程将在第二次Renormalize阶段完成，此阶段不仅执行InferShape/InferDtype，还会额外执行InferLayout。 策略传播 策略传播在第二次Renormalize阶段执行，Renormalize的输入是算子的一个Abstract对象，Abstract对象里面一直维护的是算子的shape/type信息，现在我们需要给其增加layout信息，并且增加对layout get/set的功能。为了可以自定义Renormalize流程，机制上MindSpore新增了一个类似hook的机制，为每个算子对象可以注册一个set_custom_infer方法。 set_custom_infer(std::string abstract_name, std::function<ValuePtr(const AbstractBaseList &inputs_abstract, const UserData &user_data)> &custom_infer) set_custom_infer的接口定义如上，其输入为一个成员名字abstract_name，如layout；以及一个函数指针，封装了自定义的行为，在本场景即执行InferLayout函数，并且将执行的结果返回。而set_custom_infer函数会将custom_infer函数的返回值添加到以abstract_name为key的键值对中。 张量重排布 在静态图下，可以访问到的对象是一个个算子，而tensor仅仅表达为算子的输入，因此首要的是将对Cell的输入输出tensor配置的layout传递到算子上。一个Cell在MindSpore上首先会构造为一张子图，此时针对Cell的每个输入tensor配置的layout，可以以属性形式传递到这张子图上。针对子图的每个输入，构造一个Identity算子，将layout进一步传递到Identity。将用户指定的Layout（切分策略）配置到具体算子上，这个流程在第一次Renormalize结束第二次Renormalize开始之前执行。 张量重排布的触发同样在第二次Renormalize过程中。此时identity算子本身已经有了用户配置的Layout（切分策略），同样可以获得策略传播下来的切分策略，此时已经有足够信息进行重排布的推导与重排布算子插入到图两个步骤了。机制上MindSpore同样新增了一个类似hook的机制，为每个算子对象可以注册一个set_custom_forward_config方法。 set_custom_forward_config(std::function<CNodePtr(const AbstractBaseList &inputs_abstract, const UserData &user_data)> &custom_forward_config) set_custom_forward_config接口定义如上，其输入为一个函数指针，封装了自定义的行为，在本场景即执行重排布推导与构图函数，将构造的图的输出节点返回。set_custom_forward_config会将构造的图替换整个节点，即将Identity替换为一系列重排布算子。 ### 与其他模块的相关性描述 ### 其他信息（测试验证设计等）