[OpenCL][Kernel] Use FC replace conv1x1

[zhaoyang-star]

【本PR工作】
对_特定情况_下的 conv2d_1x1 转换为 FC 计算，同时为了解决 input_channel 较大时单个线程需要遍历计算 input_channel 次乘累加操作，扩大了 4 倍线程数量，即将 input_channel 分成 4 部分，每个线程负责其中一部分的计算，然后 4 个线程通过 local memory 把中间乘累加结果再加在一起。

对比之前的方案，核心差异点：

• gws 由 (output_channel / 4, 1, 1) 扩大为 (output_channel / 4, 4, 1)，线程数量扩大了，input_channel 越大，加速效果越明显；
• weights 存储方式由 image2d/half4 调整为 half16，一个线程线性读取连续的 16个 half 数据，推测访存速度可会提升。

conv2d_1x1	global work size	local work size
original	(output_channel / 4, 1, 1)	tune找到最优
new	(output_channel / 4, 4, 1)	fixed (32, 4, 1)

【效果】
MobileNetV3_small_x1_0_infer 模型，其中 19 个 conv1x1 可以使用 FC 代替，模型整体加速比 和 kernel 加速比如下：

MobileNetV3_small_x1_0_infer kernel profiling on armv7 on 845

MobileNetV3_large_x1_0_infer 模型，其中 17 个 conv1x1 可以使用 FC 代替，模型整体加速比如下：

[paddle-bot-old]

Thanks for your contribution!

[daming5432]

LGTM

[daming5432]

LGTM