Use fuse multi head att

[xiezipeng-ML]

batch size = 4, acc step = 8, amp, open Checkpointing

1n1g	use_fuse_multi_head_att = False	use_fuse_multi_head_att = True
Throughput	total_throughput: 151.70 samples/s	total_throughput: 155.41 samples/s
GPU Memory	3147MiB	3129MiB

在encoder和decoder中的self_att和cross_att中都使用了fuse_multihead_att. 在28号上简单测了一下，带来的提升有限，应该是transpose的使用次数太多，我下个commit准备把if，else直接取消，默认使用fuse_multihead_att来测一下.

@chengtbf @strint @ouyangyu @CPFLAME

[xiezipeng-ML]

• 这里魔改了一下，self_att和cross_att都使用了fuse_muti_head_att，attention层默认为fuse_multi_head_att，一共只多出3个必须的transpose：encode_embedding的输出进行一次transpose，decoder_embedding的输出进行一次transpose，loss接收的logits进行一次transpose
• 如果数据处理的时候直接处理成[seq_len, batch_size]的shape的话上述3个transpose可以取消
• 用这个pr下面的单测测过了修改后的模型和huggingface对齐：tests/model_utils/test_mt5_loader_2.py

@chengtbf @CPFLAME @strint @ouyangyu