Optimize XLnet performance

[zhaoyuchen2018]

模型提供的测试报告：

V100 单机单卡自测值：
paddle 版本：develop
速度：0.961218 steps/s
tf 1.15
速度: 1.61 step/s

[zhaoyuchen2018]

从profile结果看 stack 和stack_grad op的 cpu耗时太多

[zhaoyuchen2018]

从tracing文件来看 stack_grad耗时很多，很大可能在等待GPU的操作

[zhaoyuchen2018]

	paddle			tf
op	Calls	time cost(ms)		op	calls	time cost(ms)
stack_grad	12	719.9
stack	15	347.6
elementwise_mul	305	96		Mul	1203	132.4
matmul_grad	186	191.4		BatchMatMulV2	370	315.8
transpose2_grad	383	179.8
transpose2	406	197.3		Transpose	1236	260.6
matmul	193	74		MatMul	373	154.8
total		1806				863.6

OP对比如上图所示，完整的OP没有贴出来，首先针对这些占比较大的进行优化

[zhaoyuchen2018]

优化stack op：PaddlePaddle/Paddle#21940
优化后xlnet-ernie: 1.005,提升~4%

[zhaoyuchen2018]

优化transpose后：1.337516 steps/s

[zhaoyuchen2018]

在计算element_wise之前 大量时间被浪费在CPU和GPU的sync

[zhaoyuchen2018]

优化了data transform之后性能提升~8%