add cn doc of functional ctc_loss and CTCLoss class. (#2423)

* add cn doc of trace API

* add cn doc of functional ctc_loss and CTCLoss class.

* modified the format of doc.

* add en doc of ctc_loss and CTCLoss

* modified paddle.to_variable to paddle.to_tensor

doc/fluid/api/nn/functional.rst

@@ -8,5 +8,6 @@ functional
     functional/l1_loss.rst
     functional/nll_loss.rst
     functional/mse_loss.rst
+    functional/ctc_loss.rst
     functional/adaptive_avg_pool2d.rst
     functional/adaptive_avg_pool3d.rst

doc/fluid/api/nn/functional/ctc_loss.rst

+..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
+    !DO NOT EDIT THIS FILE MANUALLY!
+
+.. _api_nn_functional_ctc_loss:
+
+ctc_loss
+--------
+
+..  autofunction:: paddle.nn.functional.loss.ctc_loss
+    :noindex:
+

doc/fluid/api/nn/loss.rst

@@ -10,3 +10,4 @@ loss
     loss/L1Loss.rst
     loss/MSELoss.rst
     loss/NLLLoss.rst
+    loss/CTCLoss.rst

doc/fluid/api/nn/loss/CTCLoss.rst

+..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
+    !DO NOT EDIT THIS FILE MANUALLY!
+
+.. _api_nn_loss_CTCLoss:
+
+CTCLoss
+-------
+
+..  autoclass:: paddle.nn.loss.CTCLoss
+    :members:
+    :inherited-members:
+    :noindex:
+

doc/fluid/api/nn/relu.rst

-.. _api_nn_relu:
+.. _api_nn_ReLU:
 
-relu
+ReLU
 -------------------------------
+:doc_source: paddle.fluid.layers.relu
+
 
-..  autofunction:: paddle.nn.functional.relu
-    :noindex:
\ No newline at end of file

doc/fluid/api_cn/nn_cn/functional_cn.rst

@@ -13,6 +13,8 @@ functional
     functional_cn/nll_loss_cn.rst
     functional_cn/normalize_cn.rst
     functional_cn/margin_ranking_loss_cn.rst
+    functional_cn/mse_loss_cn.rst
+    functional_cn/ctc_loss_cn.rst
     functional_cn/sigmoid_cn.rst
     functional_cn/mse_loss_cn.rst
     functional_cn/adaptive_avg_pool2d_cn.rst

doc/fluid/api_cn/nn_cn/functional_cn/ctc_loss_cn.rst

+ctc_loss
+-------------------------------
+
+.. py:function:: paddle.nn.functional.ctc_loss(log_probs, labels, input_lengths, label_lengths, blank=0, reduction='mean')
+
+该接口用于计算 CTC loss。该接口的底层调用了第三方 baidu-research::warp-ctc 的实现。
+也可以叫做 softmax with CTC，因为 Warp-CTC 库中插入了 softmax 激活函数来对输入的值进行归一化。
+
+参数
+:::::::::
+    - **log_probs** (Tensor): - 经过 padding 的概率序列，其 shape 必须是 [max_logit_length, batch_size, num_classes + 1]。其中 max_logit_length 是最长输入序列的长度。该输入不需要经过 softmax 操作，因为该 OP 的内部对 input 做了 softmax 操作。数据类型仅支持float32。
+    - **labels** (Tensor): - 经过 padding 的标签序列，其 shape 为 [batch_size, max_label_length]，其中 max_label_length 是最长的 label 序列的长度。数据类型支持int32。
+    - **input_lengths** (Tensor): - 表示输入 ``log_probs`` 数据中每个序列的长度，shape为 [batch_size] 。数据类型支持int64。
+    - **label_lengths** (Tensor): - 表示 label 中每个序列的长度，shape为 [batch_size] 。数据类型支持int64。
+    - **blank** (int，可选): - 空格标记的 ID 值，其取值范围为 [0，num_classes+1) 。数据类型支持int32。默认值为0。
+    - **reduction** (string，可选): - 指定应用于输出结果的计算方式，可选值有: ``'none'``, ``'mean'``, ``'sum'``。设置为 ``'mean'`` 时，对 loss 值除以 label_lengths，并返回所得商的均值；设置为 ``'sum'`` 时，返回 loss 值的总和；设置为 ``'none'`` 时，则直接返回输出的 loss 值。默认值为 ``'mean'``。
+
+返回
+:::::::::
+``Tensor``，输入 ``log_probs`` 和标签 ``labels`` 间的 `ctc loss`。如果 :attr:`reduction` 是 ``'none'``, 则输出 loss 的维度为 [batch_size]。如果 :attr:`reduction` 是 ``'mean'`` 或 ``'sum'``，则输出Loss的维度为 [1]。数据类型与输入 ``log_probs`` 一致。
+
+
+代码示例
+:::::::::
+
+.. code-block:: python
+
+        # declarative mode
+        import paddle.nn.functional as F
+        import numpy as np
+        import paddle
+
+        # length of the longest logit sequence
+        max_seq_length = 4
+        #length of the longest label sequence
+        max_label_length = 3
+        # number of logit sequences
+        batch_size = 2
+        # class num
+        class_num = 3
+
+        np.random.seed(1)
+        log_probs = np.array([[[4.17021990e-01, 7.20324516e-01, 1.14374816e-04],
+                                [3.02332580e-01, 1.46755889e-01, 9.23385918e-02]],
+
+                                [[1.86260208e-01, 3.45560730e-01, 3.96767467e-01],
+                                [5.38816750e-01, 4.19194520e-01, 6.85219526e-01]],
+
+                                [[2.04452246e-01, 8.78117442e-01, 2.73875929e-02],
+                                [6.70467496e-01, 4.17304814e-01, 5.58689833e-01]],
+
+                                [[1.40386939e-01, 1.98101491e-01, 8.00744593e-01],
+                                [9.68261600e-01, 3.13424170e-01, 6.92322612e-01]],
+
+                                [[8.76389146e-01, 8.94606650e-01, 8.50442126e-02],
+                                [3.90547849e-02, 1.69830427e-01, 8.78142476e-01]]]).astype("float32")
+        labels = np.array([[1, 2, 2],
+                        [1, 2, 2]]).astype("int32")
+        input_lengths = np.array([5, 5]).astype("int64")
+        label_lengths = np.array([3, 3]).astype("int64")
+
+        paddle.disable_static()
+        log_probs = paddle.to_tensor(log_probs)
+        labels = paddle.to_tensor(labels)
+        input_lengths = paddle.to_tensor(input_lengths)
+        label_lengths = paddle.to_tensor(label_lengths)
+
+        loss = F.ctc_loss(log_probs, labels, 
+            input_lengths, 
+            label_lengths, 
+            blank=0, 
+            reduction='none')
+        print(loss.numpy())  #[3.9179852 2.9076521]
+
+        loss = F.ctc_loss(log_probs, labels, 
+            input_lengths, 
+            label_lengths, 
+            blank=0, 
+            reduction='mean') 
+        print(loss.numpy())  #[1.1376063]
\ No newline at end of file

doc/fluid/api_cn/nn_cn/layer_cn.rst

-=======================
-layer
-=======================
+.. _cn_api_nn_cn_Layer:
 
+Layer
+-------------------------------
+:doc_source: paddle.fluid.dygraph.layers.Layer
 
 
-
-..  toctree::
-    :maxdepth: 1
-
-    layer_cn/Sigmoid_cn.rst

doc/fluid/api_cn/nn_cn/loss_cn.rst

@@ -14,3 +14,4 @@ loss
     loss_cn/MarginRankingLoss_cn.rst
     loss_cn/MSELoss_cn.rst
     loss_cn/NLLLoss_cn.rst
+    loss_cn/CTCLoss_cn.rst

doc/fluid/api_cn/nn_cn/loss_cn/CTCLoss_cn.rst

+CTCLoss
+-------------------------------
+
+.. py:class:: paddle.nn.loss.CTCLoss(blank=0, reduction='mean')
+
+该接口用于计算 CTC loss。该接口的底层调用了第三方 baidu-research::warp-ctc 的实现。
+也可以叫做 softmax with CTC，因为 Warp-CTC 库中插入了 softmax 激活函数来对输入的值进行归一化。
+
+参数
+:::::::::
+    - **blank** (int，可选): - 空格标记的 ID 值，其取值范围为 [0，num_classes+1) 。数据类型支持int32。默认值为0。
+    - **reduction** (string，可选): - 指定应用于输出结果的计算方式，可选值有: ``'none'``, ``'mean'``, ``'sum'`` 。设置为 ``'mean'`` 时，对 loss 值除以 label_lengths，并返回所得商的均值；设置为 ``'sum'`` 时，返回 loss 值的总和；设置为 ``'none'`` 时，则直接返回输出的 loss 值。默认值为 ``'mean'``。
+
+形状
+:::::::::
+    - **log_probs** (Tensor): - 经过 padding 的概率序列，其 shape 必须是 [max_logit_length, batch_size, num_classes + 1]。其中 max_logit_length 是最长输入序列的长度。该输入不需要经过 softmax 操作，因为该 OP 的内部对 input 做了 softmax 操作。数据类型仅支持float32。
+    - **labels** (Tensor): - 经过 padding 的标签序列，其 shape 为 [batch_size, max_label_length]，其中 max_label_length 是最长的 label 序列的长度。数据类型支持int32。
+    - **input_lengths** (Tensor): - 表示输入 ``log_probs`` 数据中每个序列的长度，shape为 [batch_size] 。数据类型支持int64。
+    - **label_lengths** (Tensor): - 表示 label 中每个序列的长度，shape为 [batch_size] 。数据类型支持int64。
+
+返回
+:::::::::
+``Tensor``，输入 ``log_probs`` 和标签 ``labels`` 间的 `ctc loss`。如果 :attr:`reduction` 是 ``'none'``，则输出 loss 的维度为 [batch_size]。如果 :attr:`reduction` 是 ``'mean'`` 或 ``'sum'``, 则输出Loss的维度为 [1]。数据类型与输入 ``log_probs`` 一致。
+
+代码示例
+:::::::::
+
+.. code-block:: python
+
+        # declarative mode
+        import numpy as np
+        import paddle
+
+        # length of the longest logit sequence
+        max_seq_length = 4
+        #length of the longest label sequence
+        max_label_length = 3
+        # number of logit sequences
+        batch_size = 2
+        # class num
+        class_num = 3
+
+        np.random.seed(1)
+        log_probs = np.array([[[4.17021990e-01, 7.20324516e-01, 1.14374816e-04],
+                                [3.02332580e-01, 1.46755889e-01, 9.23385918e-02]],
+
+                                [[1.86260208e-01, 3.45560730e-01, 3.96767467e-01],
+                                [5.38816750e-01, 4.19194520e-01, 6.85219526e-01]],
+
+                                [[2.04452246e-01, 8.78117442e-01, 2.73875929e-02],
+                                [6.70467496e-01, 4.17304814e-01, 5.58689833e-01]],
+
+                                [[1.40386939e-01, 1.98101491e-01, 8.00744593e-01],
+                                [9.68261600e-01, 3.13424170e-01, 6.92322612e-01]],
+
+                                [[8.76389146e-01, 8.94606650e-01, 8.50442126e-02],
+                                [3.90547849e-02, 1.69830427e-01, 8.78142476e-01]]]).astype("float32")
+        labels = np.array([[1, 2, 2],
+                        [1, 2, 2]]).astype("int32")
+        input_lengths = np.array([5, 5]).astype("int64")
+        label_lengths = np.array([3, 3]).astype("int64")
+
+        paddle.disable_static()
+        log_probs = paddle.to_tensor(log_probs)
+        labels = paddle.to_tensor(labels)
+        input_lengths = paddle.to_tensor(input_lengths)
+        label_lengths = paddle.to_tensor(label_lengths)
+
+        loss = paddle.nn.CTCLoss(blank=0, reduction='none')(log_probs, labels, 
+            input_lengths, 
+            label_lengths)
+        print(loss.numpy())  #[3.9179852 2.9076521]
+
+        loss = paddle.nn.CTCLoss(blank=0, reduction='mean')(log_probs, labels, 
+            input_lengths, 
+            label_lengths)
+        print(loss.numpy())  #[1.1376063]
+