【训练营】小模型训练支持

[AAekko]

InfiniTrain 原有 MNIST MLP 示例无法覆盖卷积训练。本 PR 增加 FP32 Conv2d、ReLU、Flatten 的 CPU/CUDA Forward/Backward，并将 Demo 升级为两层 CNN，完整接入数据加载、CrossEntropyLoss、Autograd、SGD、评估与 checkpoint。

MNIST 入口进一步复用框架 NCCL/DistributedDataParallel，支持单机一进程一卡、初始参数广播、确定性分片、bucket/逐参数梯度平均、全局加权指标和 rank 0 保存。保留相同大小的各卡训练尾批，评估集完整覆盖；训练结束校验所有卡参数完全一致。CPU/单卡默认行为保留。修复首次 GPU 数量查询的初始化，以及 NCCL_ROOT 未实际控制链接库的问题。

所有新增或修改源码均补齐直接标准库头文件依赖，并已使用仓库 .clang-format 与 CI 指定的 clang-format 16.0.6 格式化。最终 29 个变更 C/C++/CUDA 文件通过 --dry-run --Werror --style=file，git diff --cached --check 通过。

验证：

• CNN/MNIST 单元测试 29 项通过、2 项共用前置校验按设计在 CUDA 下跳过；另有 2 项双进程 NCCL 集成测试通过。独立纯 CPU 构建的 8 项 MNIST 测试通过。
• 2×RTX 5090，FP32、SGD lr=0.05、global batch=64、seed=42、3 epochs：CPU 97.88%，单卡 97.89%，双卡 97.87%。
• InfiniTrain 单卡/DDP 与 PyTorch 单卡/DDP 连续三步对齐：1,680/1,680 项通过，最大绝对误差 5.0664e-7；378 项副本快照完全一致。
• 两次 DDP 完整训练的非耗时指标与 checkpoint 完全一致，单卡/双卡 checkpoint 复验通过。
• 不整除的小数据集、评估完整覆盖、world_size=1 与 launcher 失败传播实测通过。
• 最终代码在 2×RTX 4090 D 上重新执行 CPU/CUDA 干净构建、上述单元测试与 DDP 测试、1,680 项数值对齐和完整训练；双卡最终 test loss=0.069685、accuracy=97.88%，单卡/双卡 checkpoint 复验通过。

复现命令见 docs/mnist_ddp.md。双 GPU CTest 由 BUILD_MNIST_DDP_TESTS=ON 显式启用；默认关闭以避免影响单 GPU 常规测试。本 Demo 的 DDP 范围为单机 FP32、普通 SGD。

PR 只包含功能代码、CMake、代表性测试、Demo 与文档。PyTorch 对齐代码、训练数据、大体积日志和 checkpoint 均在 PR 外随报告单独准备。