[RFC]: Extend DataLoader to support distributed processing

### 背景与目标描述. DataLoader承担着 数据加载（将存储中的数据读取至内存中）、数据预处理（预处理算子变换）、组batch 能力，当前是与训练进程同一进程中，通过多子进程并发的方式进行工作的。 具体部署形态如下图如示：  1. dataset拉起子进程进行数据处理，处理完之后的数据返回给主进程中； 2. 主进程中使用dataset数据进行 1F1B 训练。 此种工作方式，在单模态场景下，数据处理比较简单的场景下是可以的，满足性能要求。但是对于多模态、海量数据场景，文本、音频、图像、视频多种类数据同时进行加载、处理，其复杂度越来越大，需要的CPU资源也越来越多，会出现当前节点CPU/NPU资源不够用，数据处理耗时变多的问题（表现为其数据处理耗时不能隐藏到到1F1B训练中），导致端到端训练耗时增加。 当前DataLoader相关能力可参考：[MindSpore提供DataLoader兼容接口](https://gitee.com/mindspore/mindspore/issues/ICZED9) 故：一种可行的方式是将 DataLoader 集群化部署，将其分布式化运行于单独的数据处理集群中，而训练进程中仅是 DataLoader Client，负责从分布式DataLoader通过 RPC 读取数据到 训练进程。部署图如下图所示：  1. DataLoader集群：分布式DataLoader部署于该集群中，占用整个集群的CPU/NPU资源进行分布式数据加载、预处理，处理完之后的结果缓存在该集群中，该集群早于训练集群启动； 2. 训练集群：用于分布式训练，其中的dataset client向DataLoader集群发送请求，获取数据，并用于网络的1F1B训练。 ### 建议的方案. 基于以上的思考，同时保证灵活性、易用性，分布式DataLoader集群能力需要具备以下基础能力： 1. 支持用户自定义随机访问的数据集加载类； 2. 读取存储于OBS / 共享存储 上全量数据集； 3. 在原有DataLoader脚本中添加代码即可实现分布式，保证易用性； 4. 一套脚本，通过不同启动命令即支持合并部署（DataLoader集群与训练集群属于同一集群），也支持分离部署（DataLoader集群与训练集群属于不同集群）。 下面针对以上几点能力要求，一一展开说明。 #### 1. 支持用户自定义随机访问的数据集加载类 - 单一数据集处理方式举例如下：  - 多个数据集合并举例  #### 2. 读取存储于OBS/共享存储上全量数据集  以上全量数据集，可以使得用户自定义数据集类访问全量数据，即：通过 ```__getitem__``` 随机访问，可以获取数据中任意一个样本。 #### 3. 原有DataLoader脚本添加代码即可实现分布式  上图左侧是原有DataLoader加载脚本，右侧是分布式DataLoader能力，通过添加红色字段，即可实现原有DataLoader分布式集群能力。其中：```distributed_dataset = ds.DistributedDataLoader(source=dataset, …)``` 可以表述为分布式DataLoader，```for data in distributed_dataset:``` 可以表述为 dataset client。 #### 4. 一套脚本，通过不同启动命令即支持合并部署，也支持分离部署 -…