Optimize elementwise_add_grad op

[thisjiang]

PR types

Performance optimization

PR changes

OPs

Describe

起因

SimpleElemwiseAddGradCUDAKernel的实现为拷贝dout的值到dx和dy中。然而，此处存在一处可优化点：即若dout与dx或dy复用了同一片地址，则无需多余拷贝。

优化方案

1. 当dx_data与dout_data相同且当dy_data与dout_data不同时：只需要拷贝dout_data到dy_data即可。
2. 当dx_data与dout_data不同且当dy_data与dout_data相同时：只需要拷贝dout_data到dx_data即可。
3. 当dx_data和dy_data与dout_data都不同时：调用原SimpleElemwiseAddGradCUDAKernel。
4. 当dx_data和dy_data与dout_data都相同时：什么都不用做。

问：为什么放在elementwise_add_op.cu这儿而不是放在ElementwiseAddGradKernel::Compute处？
答：因为会报错Tensor not alloc memory

优化结果

elementwise_add_grad op耗时	优化前	优化后
float16	147.551 us	80.672 us
float	244.958 us	159.391 us

[paddle-bot-old]

Thanks for your contribution!
Please wait for the result of CI firstly. See Paddle CI Manual for details.

[Xreki]

LGTM