Implement fuse conv bn qat module

[Ldpe2G]

实现google量化感知训练文章中提到的，训练过程中融合 conv 和 bn 的模块 QatFuseConvBN。

为了简化导出 onnx 的过程，这个模块内部包含了三个状态，首先除了 nn.Module 自带的 self.training 成员，还额外给该模块添加了一个 self.is_freezed 的成员，用于指定是否bn 的参数真正 融合进了 conv 的参数中，下面具体解释三个状态代表什么意思：

状态一 ，self.self.is_freezed=False, self.training = True

此时是在对模型做量化训练，训练过程中首先对该模块的输入做模拟量化，然后通过一个卷积模块得到输出，接着计算输出的均值和方差，然后动态融合bn和conv的参数，的到新的折叠了bn的conv参数，然后对该参数做模拟量化，最后将模拟量化后的参数和输入重新输入到一个卷积操作中。

状态二，self.self.is_freezed=False, self.training = False

此时和状态一唯一不同的地方时，均值和方差用的是 moving_mean 和 moving_var，用于在训练过程中对验证集做测试。

状态三，self.self.is_freezed=True

给用户提供了一个 helper 函数 freeze_all_qat_submodules，调用之后会将所有类型是QatFuseConvBN 的子模块中的，bn参数和conv参数融合之后，直接替换conv掉参数，然后前向过程就和变为 输入模拟量化，权值模拟量化，然后调用卷积这三个操作，不会再包含bn，而且这个过程是不可逆的，只有在训练完，转Onnx之前才这么做。