Refactor dataset

[Jintao-Huang]

PR type

• Bug Fix
• New Feature
• Document Updates
• More Models or Datasets Support

1. 支持以下格式的dataset:
   1. MS和HF hub, 以及dataset_sample的支持. e.g. MS::alpaca-zh#200, HF::jd-sentiment-zh#200 (默认使用的hub, 由USE_HF环境变量控制, 默认MS).
   2. 对subsets更细粒度的控制: 默认使用注册时指定的subsets(注册时未指定则使用'default'). e.g. sharegpt-gpt4. 如果指定subsets则使用对应子集的数据集. e.g. sharegpt-gpt4:default/V3_format#2000. 使用'/'进行分隔. (原因: ','不合适, '|'在命令后模式有特殊含义).
   3. dataset_id的支持. e.g. AI-ModelScope/alpaca-gpt4-data-zh#20, HF::llm-wizard/alpaca-gpt4-data-zh#20, hurner/alpaca-gpt4-data-zh#20, HF::shibing624/alpaca-zh#20. (如果dataset_id已经注册，那么使用注册时的预处理函数处理. 否则使用smartpreprocessor, 并使用'default'的subsets, split设置为'train').
   4. 对自我认知数据集, custom_train_dataset_path, custom_val_dataset_path的统一. e.g. self-cognition#500, _custom#2000
   5. dataset_path的支持. e.g. alpaca.csv, swift_multi.jsonl, swift_multi.json#2. (支持采样, 如果是相对路径，则为相对于运行目录的相对路径).
2. 对过去使用的命令后参数进行兼容，包括：train_dataset_sample, val_dataset_sample, self_cognition_sample, train_dataset_mix_ratio, train_dataset_mix_ds进行兼容，依旧可以使用这些参数进行训练. 对过去使用的dataset_name进行兼容, 保证曾经的最佳实践可以正常运行.
3. dataset_info.json作为额外的方式进行数据集的“注册”(底层依旧使用函数注册的方式), 该方法作为注册数据集的补充, 具有简单的优点. 该方式支持dataset_id(MS和HF)和dataset_path. (如果是相对路径, 则为相对于dataset_info.json目录的相对路径, 这与直接传入dataset的情况不同)
4. 修改sh, docs, test_run.py来适配新的数据集注册与使用机制.
5. 对数据集统计量进行重新计算.