[doc] add shardformer support matrix/update tensor parallel documents (#4728)

* add compatibility matrix for shardformer doc

* update tp doc

docs/source/zh-Hans/features/1D_tensor_parallel.md

@@ -2,14 +2,12 @@
 
 作者: Zhengda Bian, Yongbin Li
 
-> ⚠️ 此页面上的信息已经过时并将被废弃。请在[Shardformer](./shardformer.md)页面查阅更新。
-
 **前置教程**
 - [定义配置文件](../basics/define_your_config.md)
 - [并行配置](../basics/configure_parallelization.md)
 
-**示例代码**
-- [ColossalAI-Examples 1D Tensor Parallelism](https://github.com/hpcaitech/ColossalAI-Examples/blob/main/features/tensor_parallel/README.md)
+**示例代码**xw
+- [Tensor Parallelism with Shardformer](https://github.com/hpcaitech/ColossalAI/tree/main/colossalai/shardformer/examples)
 
 **相关论文**
 - [Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM](https://deepakn94.github.io/assets/papers/megatron-sc21.pdf)
@@ -43,82 +41,10 @@ $$
 | :-:         | :-:              | :-:                  | :-:                       | :-:                     |
 | $O(1/P)$    | $O(1/P)$         | $O(1)$               | $O(2(P-1)/P)$             | $O(2(P-1))$             |
 
+
 ## 使用
 
-为了使模型能够实现一维张量并行, 如在2个 GPU 上, 我们需要配置如下的并行设置。
-```python
-CONFIG = dict(parallel=dict(
-    data=1,
-    pipeline=1,
-    tensor=dict(size=2, mode='1d'),
-))
-```
-
-然后 Colossal-AI 会自动对所有来自 `colossalai.nn` 的层应用1D张量并行。
-
-让我们定义一个由两层多层感知器 (MLP) 组成的模型，如下所示。
-```python
-import colossalai
-import colossalai.nn as col_nn
-import torch
-from colossalai.utils import print_rank_0
-
-class MLP(torch.nn.Module):
-    def __init__(self, dim: int = 256):
-        super().__init__()
-        intermediate_dim = dim * 4
-        self.dense_1 = col_nn.Linear(dim, intermediate_dim)
-        print_rank_0(f'Weight of the first linear layer: {self.dense_1.weight.transpose(0, 1).shape}')
-        self.activation = torch.nn.GELU()
-        self.dense_2 = col_nn.Linear(intermediate_dim, dim)
-        print_rank_0(f'Weight of the second linear layer: {self.dense_2.weight.transpose(0, 1).shape}')
-        self.dropout = col_nn.Dropout(0.1)
-
-    def forward(self, x):
-        x = self.dense_1(x)
-        print_rank_0(f'Output of the first linear layer: {x.shape}')
-        x = self.activation(x)
-        x = self.dense_2(x)
-        print_rank_0(f'Output of the second linear layer: {x.shape}')
-        x = self.dropout(x)
-        return x
-```
-
-在2个 GPU 上启动 Colossal-AI 并建立模型。
-
-```python
-parser = colossalai.get_default_parser()
-colossalai.launch(config=CONFIG,
-                  rank=args.rank,
-                  world_size=args.world_size,
-                  local_rank=args.local_rank,
-                  host=args.host,
-                  port=args.port)
-
-m = MLP()
-```
-我们将会看到 MLP 模型中被划分的参数（如权重）的形状。
-```shell
-Weight of the first linear layer: torch.Size([256, 512])
-Weight of the second linear layer: torch.Size([512, 256])
-```
-第一个线性层的完整权重形状应该为 `[256, 1024]`. 经过列-并行分割，它变成了 `[256, 512]`。
-同样地，第二个行并行层将权重 `[1024, 256]` 划分为 `[512, 256]`。
-
-我们可以用一些随机输入来运行这个模型。
-```python
-from colossalai.utils import get_current_device
-
-x = torch.randn((16, 256), device=get_current_device())
-torch.distributed.broadcast(x, src=0)  # synchronize input
-
-x = m(x)
-```
-然后我们可以看到 activation 结果的形状。
-```shell
-Output of the first linear layer: torch.Size([16, 512])
-Output of the second linear layer: torch.Size([16, 256])
-```
-第一个线性层的输出被划分成2块 (每个形状为 `[16, 512]`), 而第二层在整个 GPU 上的输出是相同的。
+在ColossalAI最新的版本中，1D张量并行由`Shardformer`功能实现。
+关于`Shardformer`的原理和用法细节请参考当前目录下的Shardformer文档。
 
 <!-- doc-test-command: echo  -->