修复NVIDIA旧架构GPU编译问题，初步优化旧架构GPU性能

[TylunasLi]

说明

fastllm在主分支中增加了fp16算子后，引发了一些编译问题。

1. 在 CUDA < 11.0 以及 CUDA < 11.6 且 Compute Capability < 8.0 时，CUDA 没有定义__hmax函数，
2. 老设备（如Tesla M40 / Tesla K40等）不支持fp16计算，因此会编译失败。

本次做了如下的修改：

1. 修复了问题1；
2. 本次更新增加了编译选项CUDA_NO_TENSOR_CORE；
   1. 修改了fp16算子部分，开启编译宏后，这部分使用fp32计算；
   2. 修改了矩阵乘法的计算方式，优化了 Maxwell、Pascal架构(不包括Tesla P100)，16系列（1660s CMP-40HX ）上的推理速度。

测试

用以下方式测试过：

• cmake 配置CMAKE_CUDA_ARCHITECTURES选项，验证编译。
  • CentOS 7 CUDA 10.0 CUDA 11.8
  • Ubuntu20.04 CUDA 11.0 CUDA 11.3
• Tesla P40 / RTX 1070 测试chatglm/qwen/llama系列。