Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.

Backgroud（背景信息）

新增ThnnFusedGruCell算子

1. 功能定位

对 GRU（Gated Recurrent Unit，门控循环单元）的单个时间步执行门控融合计算：输入两路门控预激活（输入侧 + 隐层侧）、上一步隐状态和可选双 bias，一次算子调用同时产出两个结果——新隐状态 hy 和反向计算复用的中间量 storage。适用于 RNN 逐步推理/训练中的高频单步计算，等价于 PyTorch torch.nn.functional.gru_cell 的 THNN 内核语义。

• 支持产品：Ascend 950PR / Ascend 950DT（arch35），AIV 纯矢量算子。
• 输出为双结果融合算子：hy 供下一时间步递推，storage 供反向梯度计算复用，避免训练场景重复计算。

2. 计算公式

门控预激活沿最后一维按门序 [r, z, n] 三等分：

• input_gates (B, 3H) → gi_r、gi_z、gi_n（各 H 列）
• hidden_gates (B, 3H) → gh_r、gh_z、gh_n
• 两路 bias 同步三等分为 b1_r/b1_z/b1_n 与 b2_r/b2_z/b2_n，沿 batch 维广播
• hx (B, H) 为上一步隐状态

计算过程：

$$rg = \frac{1}{1 + e^{-(gi_r + gh_r + b1_r + b2_r)}}$$

$$zg = \frac{1}{1 + e^{-(gi_z + gh_z + b1_z + b2_z)}}$$

$$ng = \tanh(gi_n + b1_n + rg \times (gh_n + b2_n))$$

$$hy = ng + zg \times (hx - ng)$$

$$storage = [rg \mid zg \mid ng \mid hx \mid (gh_n + b2_n)]$$

语义说明：

• rg 重置门、zg 更新门：sigmoid 激活，取值 (0, 1)。
• ng 候选状态：tanh 激活，重置门 rg 调制隐层侧候选分量。
• hy：更新门 zg 在旧状态 hx 与候选状态 ng 之间做凸组合。
• storage：反向复用中间量，五段 [rg、zg、ng、hx、gh_n+b2_n] 沿最后一维拼接，每段 H 列，故 shape 为 (B, 5H)。
• bias 缺省（空指针）时等价于全零 bias。

3. 输入输出

4. 精度说明

• BFLOAT16 / FLOAT16 输入在 fp32 中间精度下完成 sigmoid、tanh 与乘加计算，结果舍回原数据类型。
• FLOAT 输入直接计算。
• 输出数据类型与输入一致（全张量同 dtype）。

5. 实现要点（kernel 双路径）

tiling 侧按 UB 容量三形态切分：形态 A 沿 H 切（单行 tile）、形态 B 沿 B 切（多行 tile，多核并行）、形态 C 全量单 tile；行级 32B 对齐填充（paddedHidden）消除非对齐 H 的形态退化；微量数据（<160B）回退单核避免 launch-bound 退化。

6. 约束说明

• 输入与输出的数据类型必须一致，仅支持 BFLOAT16、FLOAT16、FLOAT；不支持跨数据类型组合，也不支持 DOUBLE、INT64 等其它数据类型。
• input_gates 与 hidden_gates 的 shape 必须相同且为 (B, 3H)，hx 的 shape 为 (B, H)，需满足 input_gates.shape[1] == 3 × hx.shape[1]；input_bias 与 hidden_bias 在位时元素个数必须为 3H 且两者相同。
• 输入与输出的数据格式仅支持 ND。
• B=0 或 H=0（numel 为 0 的空 Tensor）为合法输入，直接返回空输出。
• aclnn 接口中可选 bias 以空指针表达缺省，等价于全零 bias；输入与输出均支持非连续 Tensor（输入由接口层自动连续化，输出由接口层按声明的布局逐元素写回）。

7. 调用方式

Origin（信息来源）

NA

Benefit / Necessity （价值/作用）

新增ThnnFusedGruCell算子

Design（设计方案）