[Optim] SWA related performance optimization (part 1/3)

[Enigmatisms]

单看这个 PR 的话，全是死代码（暂时没有用到）。

本 PR 在 flashmask 下导出了一些轻量级的 CPP/CUDA kernel （几乎没有编译开销的那种），用于快速在 paddle 端提供小算子的替代方案（比如带宽利用率不足的 slicing / assign 等操作）。

在 FA4 被 install 时，本 PR 的 utils 模块会默认被编译 install，以 flashmask.utils.xxx 导出。
目前只提供两个 API：

• bshd_slice_contiguous_kv 用于 dst = src[:, start:end, :, :].contiguous() 操作加速（5~6x）
• accum_zero_axis1_kv 快速对 dKV accum 进行有限范围的 strided zero 操作。

不走 python 端的原因：上述 kernel 显然确实可以 cute DSL 化，但我个人认为完全没有必要：上述 kernel 用 CUDA copy engine 可以单cuda 函数调用解决，并且不使用 SM 资源，无必要为了完全 python 化而写一个 DSL kernel。

utils 模块的初衷也不是为了将一大堆 CPP/CUDA 函数塞入，放入的内容只是一些轻量级的 utils 函数（无法被 cute DSL 替代或者替代纯属自找麻烦的一些函数），尽可能控制本部分的编译时间。

这是三个拆分优化的第一个：

• 被 [Optim] SWA related performance optimization (part 2/3) #161 以及 [Optim] SWA related performance optimization (part 3/3) #163 依赖