现象描述：gpu上网络运行过程中出现oom（显存不足）
工具/软件mindspore1.5.0
windows10
第1步原因分析
出现该现象，可能原因如下：
1.训练batchsize过大。
2.输入数据的shape是变化的（输入数据动态shape）。
3.输出结果的tensor保存起来了。
4.网络中的算子里出现显存泄漏（算子里每次launch都申请显存，并且不释放）。
第2步解决方法
步骤1：排查训练的batchsize是否过大，可以逐步缩小batch，如果觉得batch不够大，还是出现oom，则排除这个原因。
第3步步骤2：确认输入数据是否是动态shape，当前动态shape还不支持输入shape可变，因为针对这种场景，每次step训练都会编译新图，导致显存不断申请最后oom，可以通过图的个数是不是不断增长来判断。
第4步步骤3：输出tensor里会挂接device上的地址，方便print时同步device数据输出，在tensor析构的时候会释放device地址，因此如果每次step训练都把输出tensor保存起来的话，导致tensor不会析构，随着训练step的增加则会oom。
第5步步骤4：前面3个步骤确认都没有问题的话，则有可能是算子实现bug，可以排查下是否有新增算子，算子里是否有申请显存的操作导致显存泄漏。
第6步案例代码：
```
bool launch(const std::vector &inputs, const std::vector &workspace,
const std::vector &outputs, void *stream_ptr) override { t *input = getdeviceaddress(inputs, 0); s *indices = getdeviceaddress(inputs, 1); t *updates = getdeviceaddress(inputs, 2); t *output = getdeviceaddress(outputs, 0);const size_t indices_len = sizeof(s) * out_strides_.size();
void *indices_stride_work =device::gpu::gpumemoryallocator::getinstance().alloctensormem(indices_len); if (indices_stride_work == nullptr) { ms_log(exception)
