【WIP】[RFC]: aclnn缓存Host内存占用打印

### 背景与目标描述. aclnn算子由俩阶段接口构成。 - 一阶段：获取执行器（二阶段使用的一个数据结构）、获取`workspace_size`（工作区间大小，二阶段使用） - 二阶段：使用一阶段得到执行器和`workspace_size`，执行算子。 为了加速aclnn算子执行性能，在一阶段调用结束之后，设计了缓存机制，缓存内容即一阶段的执行结果：执行器和`workspace_size`，在后续的aclnn算子执行过程中，可直接使用缓存的内容而不再调用一阶段  由于不同的执行模式的区别，当前MindSpore内部aclnn算子缓存的粒度为单个算子或单类算子，详细内容如下： - 默认模式（原动态图模式）：同一类算子（如add算子、sub算子等）共同使用一个缓存池，缓存池的数量即网络中算子类别数目 - 图模式或者@jit下：同一个算子使用一个缓存池（网络中的add1算子和add0算子是不同算子），缓存池的数量即网络中算子的个数 > 关于执行模式不一致，缓存粒度不同的问题可以在后续RFC讨论，简单而言，MindSpore图模式算子基于KernelMod实现，且需要并发launch，缓存需要单独隔离 缓存本身设计了退出机制，存在缓存上限，使用老化方法是LRU（最近最少使用）算法。 随着网络训练，缓存是一个逐渐接近上限的过程，带来的问题即Host内存会逐渐上涨（最终会达到平衡，但存在逐渐上涨的过程，过程通常持续几小时，且Host内存受多方原因影响，如保存ckpt、shape变化规律等，达到平衡的时间并不固定），下图是一个真实的网络训练的Host内存曲线  为了提升易用性，在缓存逐渐达到上限的过程中，分阶段打印缓存池的数量以及Host内存占用，可以更好的分析Host内存占用情形 ### 建议的方案. 【WIP】 ### 期望的反馈时间. ### CC List. ### 其他补充信息. ### Before submitting a new issue... - [x] Make sure you already searched for previous [RFCs](https://gitee.com/mindspore/mindspore/issues?q=is%3Aall+label%3ARFC+sort%3Arecently-updated).