寒武纪显卡实现rmsNorm算子

rmsNorm算子的数学定义

下面这个是针对一维向量的rmsNorm算子，对于高维向量，比如说形状为[A,B,C,D]的4维向量x，此时权重向量w长度默认为D，也就是说变换主要是针对axis=-1这个维度进行操作。关于寒武纪显卡的编程可以参考本人之前编写的文章添加链接描述和添加链接描述

rmsNorm算子的实现思路

由于寒武纪编程比较特殊，这里我们稍微复习一下寒武纪编程的特点：一张寒武纪显卡往往可以有8个或者4个cluster，其中一个cluster包含4个core，也就是说，对于4个cluster的显卡来说，一张寒武纪显卡的并行度最多就是16（相比于CUDA显卡成千上万的thread就相形见绌）。但是寒武纪显卡的core非常特殊，这个core功能强大，一次可以处理大量的元素。
寒武纪显卡编程的另一个特点是：需要利用NRAM实现快速访存，也就是说即便数据存储在global memory，也需要继续转移到NRAM上。这里我们假设向量x的最后一个维度长度为dimsize，根据之前的经验，我们事先会开辟一个NRAM上的内存空间&