From 0331d1e1520399bcb68fbaf8307273dbc5f638ef Mon Sep 17 00:00:00 2001
From: Hao Wang <31058429+haowang101779990@users.noreply.github.com>
Date: Mon, 14 Jan 2019 14:01:47 +0800
Subject: [PATCH] 0114-cnapi-bugfix

---
 doc/fluid/api_cn/initializer_cn.rst | 2 +-
 doc/fluid/api_cn/optimizer_cn.rst   | 6 +++---
 2 files changed, 4 insertions(+), 4 deletions(-)

diff --git a/doc/fluid/api_cn/initializer_cn.rst b/doc/fluid/api_cn/initializer_cn.rst
index adc5d45fc..98bd68c54 100644
--- a/doc/fluid/api_cn/initializer_cn.rst
+++ b/doc/fluid/api_cn/initializer_cn.rst
@@ -285,7 +285,7 @@ UniformInitializer
 参数：
         - **low** (float) - 下界 
         - **high** (float) - 上界
-        - **seed** (float) - 随机种子
+        - **seed** (int) - 随机种子
 
 **代码示例**
 
diff --git a/doc/fluid/api_cn/optimizer_cn.rst b/doc/fluid/api_cn/optimizer_cn.rst
index f41da88c9..a67e42d12 100644
--- a/doc/fluid/api_cn/optimizer_cn.rst
+++ b/doc/fluid/api_cn/optimizer_cn.rst
@@ -470,7 +470,7 @@ RMSPropOptimizer
 
 .. py:class:: paddle.fluid.optimizer.RMSPropOptimizer(learning_rate, rho=0.95, epsilon=1e-06, momentum=0.0, centered=False, regularization=None, name=None)
 
-均方根平均传播（RMSProp）法是一种未发表的,自适应学习率的方法。原始slides提出了RMSProp：[http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf]中的第29张slide。等式如下所示：
+均方根传播（RMSProp）法是一种未发表的,自适应学习率的方法。原演示幻灯片中提出了RMSProp：[http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf]中的第29张。等式如下所示：
 
 .. math::
     r(w, t) & = \rho r(w, t-1) + (1 - \rho)(\nabla Q_{i}(w))^2\\
@@ -494,11 +494,11 @@ RMSPropOptimizer
 其中， :math:`ρ` 是超参数，典型值为0.9,0.95等。 :math:`beta` 是动量术语。  :math:`epsilon` 是一个平滑项，用于避免除零，通常设置在1e-4到1e-8的范围内。
       
 参数：
-    - **learning_rate** （float） - 全球学习率。
+    - **learning_rate** （float） - 全局学习率。
     - **rho** （float） - rho是等式中的 :math:`rho` ，默认设置为0.95。
     - **epsilon** （float） - 等式中的epsilon是平滑项，避免被零除，默认设置为1e-6。
     - **momentum** （float） - 方程中的β是动量项，默认设置为0.0。
-    - **centered** （bool） - 如果为True，则通过梯度估计方差对梯度进行归一化；如果false，则由未centered的第二个moment归一化。将此设置为True有助于培训，但在计算和内存方面稍微昂贵一些。默认为False。
+    - **centered** （bool） - 如果为True，则通过梯度的估计方差,对梯度进行归一化；如果False，则由未centered的第二个moment归一化。将此设置为True有助于模型训练，但会消耗额外计算和内存资源。默认为False。
     - **regularization**  - 正则器项，如 ``fluid.regularizer.L2DecayRegularizer`` 。
     - **name**  - 可选的名称前缀。
     
-- 
GitLab