SIMDTensor

把 Tensor.computeKernel 切换为 SIMD 加速的 CPU 实现。

卷积前向：按输出行并行，行内沿输出通道向量化。

并行粒度取“输出行”（batch × outH）；每一行完全由某一个线程独立计算并写入， 线程之间没有任何共享读写，因此结果与线程数无关，可复现。

行内的循环次序改为“先按 (kh,kw,c) 取一个输入标量，再沿输出通道 oc 累加”。 由于后端张量采用 channel-last 布局，卷积核与累加器沿 oc 都是连续的， 这一步正好是一次 axpy 风格的向量运算。对任一输出元素而言，它仍然只沿着 (kh,kw,c) 递增的方向累加，求和顺序与标量实现逐项一致，所以结果逐位相同。

卷积反向 - 对卷积核的梯度：按 (kh, kw, c) 平面并行，平面内沿输出通道向量化。

一个 (kh, kw, c) 三元组恰好对应 dst 之中长度为 outC 的一段连续区间，因此各线程写入 的区域互不相交。每个 dst 元素由唯一的三元组负责，线程把该元素在 (n, oh, ow) 上的 全部贡献按同样的顺序累加完毕后一次写入，与标量实现逐位相同。

卷积反向 - 对输入的梯度：按输入行并行。

每个线程独占一整行输入 (ih)，行与行之间的梯度元素互不相交，因此不存在数据竞争， 结果也与线程数无关。

对某个输入行有贡献的输出行 oh 满足 ih = oh * stride + kh - padding 且 kh ∈ [0, filtH)，也就是 oh ∈ [(ih + padding - filtH + 1) / stride, (ih + padding) / stride]； 只遍历这个小窗口即可，总计算量与标量实现的 (oh, kh) 遍历相当。

对任一输入梯度元素，贡献按 (oh, ow, oc, kw) 递增的顺序累加，其中 kh 由 (ih, oh) 唯一确定， 因此与标量实现之中 (oh, ow, oc, kh, kw) 的求和顺序逐项一致，结果逐位相同。

dst(dstOffset .. +len) += scalar * src(srcOffset .. +len) 的向量化实现。

每个元素只做一次“乘 + 加”，与标量循环的运算顺序完全一致，因此不引入任何数值差异。

ceil(a / b)，其中 b 为正数

VB 的 \ 是“向零截断”而不是向下取整，因此这里按 ceil(a / b) = -floor(-a / b) 计算，并把负数情形下的截断偏差补回来。