fix: 修复 online softmax warp_shuffle kernel 中 WarpReduceOnline 函数的计算边界问题

[kleinblue4]

问题

原文“模块2-CUDA编程与算子优化/5.2-CUDA Online Softmax实现/4.3 Kernel实现”中，warpReduceOnline 函数默认设置 offset=16，但在实际执行过程中，softmax 的计算结果为 NaN

原因

在4.3 Kernel实现代码中的第二级 warp 规约，其执行规约的线程数可能不为32，即num_warps 不为32，假设 blockDim.x = 256，num_warps = 8，对于 thread 0-7，local_m = warp_m[lane]，但对于 thread 8-31，local_m = -INFINITY，那么考虑在 warpReduceOnline 函数中，当 offset = 16时，thread 9 获取到 thread 25 的 m2 = -INFINITY，此时 m = m2 = -INFINITY，这会导致后续计算 m - m_new = NaN，从而 expf(Nan) = NaN，使得最终计算的 sum = NaN

修复

在 warpReduceOnline 函数中添加了 Warp_Threads 变量，用于指示当前 warp 中实际参与计算的线程数量，从而确保计算过程中不会涉及到无关的线程

测试

通过将修改后代码的计算结果与 libtorch 中的 torch::softmax 计算结果进行对比，两者的最大绝对误差为 3.027e-09，该误差符合正常的数据偏移

[kleinblue4]

有人来审一下 PR 么