syn_cn_en_apidoc (#856)

doc/fluid/api_cn/fluid_cn.rst

@@ -2,138 +2,6 @@
  fluid
 #################
 
-
-
-.. _cn_api_fluid_AsyncExecutor:
-
-AsyncExecutor
--------------------------------
-
-.. py:class:: paddle.fluid.AsyncExecutor(place=None, run_mode='')
-
-**AsyncExecutor正在积极开发，API可能在短期内进行调整。**
-
-Python中的异步执行器。AsyncExecutor利用多核处理器和数据排队的强大功能，使数据读取和融合解耦，每个线程并行运行。
-
-AsyncExecutor不是在python端读取数据，而是接受一个训练文件列表，该列表将在c++中检索，然后训练输入将被读取、解析并在c++代码中提供给训练网络。
-
-
-参数：
-	- **place** (fluid.CPUPlace|None) - 指示 executor 将在哪个设备上运行。目前仅支持CPU
-
-**代码示例：**
-
-.. code-block:: python
-
-    data_feed = fluid.DataFeedDesc('data.proto')
-    startup_program = fluid.default_startup_program()
-    main_program = fluid.default_main_program()
-    filelist = ["train_data/part-%d" % i for i in range(100)]
-    thread_num = len(filelist) / 4
-    place = fluid.CPUPlace()
-    async_executor = fluid.AsyncExecutor(place)
-    async_executor.run_startup_program(startup_program)
-    epoch = 10
-    for i in range(epoch):
-        async_executor.run(main_program,
-                           data_feed,
-                           filelist,
-                           thread_num,
-                           [acc],
-                           debug=False)
-
-.. note::
-
-	对于并行gpu调试复杂网络，您可以在executor上测试。他们有完全相同的参数，并可以得到相同的结果。
-
-	目前仅支持CPU
-
-.. py:method:: run(program, data_feed, filelist, thread_num, fetch, mode='', debug=False)
-
-使用此 ``AsyncExecutor`` 来运行 ``program`` 。
-
-``filelist`` 中包含训练数据集。用户也可以通过在参数 ``fetch`` 中提出变量来检查特定的变量， 正如 ``fluid.Executor`` 。
-
-但不像 ``fluid.Executor`` ， ``AsyncExecutor`` 不返回获取到的变量，而是将每个获取到的变量作为标准输出展示给用户。
-
-数据集上的运算在多个线程上执行，每个线程中都会独立出一个线程本地作用域，并在此域中建立运算。
-所有运算同时更新参数值。
-
-参数:	
-  - **program**  (Program) – 需要执行的program。如果没有提供该参数，默认使用 ``default_main_program`` 
-  - **data_feed**  (DataFeedDesc) –  ``DataFeedDesc`` 对象
-  - **filelist**  (str) – 一个包含训练数据集文件的文件列表
-  - **thread_num**  (int) – 并发训练线程数。参照 *注解* 部分获取合适的设置方法
-  - **fetch**  (str|list) – 变量名，或者变量名列表。指明最后要进行观察的变量命名
-  - **mode**  (str) – 该接口的运行模式
-  - **debug**  (bool) – 如果为True, 在每一个minibatch处理后，fetch 中指明的变量将会通过标准输出打印出来
-
-.. note::
-    1.该执行器会运行program中的所有运算，不只是那些依赖于fetchlist的运算
-
-    2.该类执行器在多线程上运行，每个线程占用一个CPU核。为了实现效率最大化，建议将 ``thread_num`` 等于或稍微小于CPU核心数
-
-.. py:method:: download_data(afs_path, local_path, fs_default_name, ugi, file_cnt, hadoop_home='$HADOOP_HOME', process_num=12)
-
-download_data是用于分布式训练的默认下载方法，用户可不使用该方法下载数据。
-
-**示例**
-
-..  code-block:: python
-
-    exe = fluid.AsyncExecutor()
-    exe.download_data("/xxx/xxx/xx/",
-                      "./data", "afs://
-     xxx.xxx.xxx.xxx:9901", "xxx,yyy")
-
-参数: 
-  - **afs_path** （str） - 用户定义的afs_path
-  - **local_path** （str） - 下载数据路径
-  - **fs_default_name** （str） - 文件系统服务器地址
-  - **ugi** （str） -  hadoop ugi
-  - **file_cnt** （int） - 用户可以指定用于调试的文件号
-  - **hadoop_home** （str） -  hadoop home path
-  - **process_num** （int） - 下载进程号
-
-.. py:method:: get_instance()
-
-获取当前节点的实例，以便用户可以在分布式背景下中执行操作。
-
-.. py:method:: config_distributed_nodes()
-
-如果用户需要运行分布式AsyncExecutor，则需要进行全局配置，以便获取当前进程的信息。
-
-.. py:method:: stop()
-
-在流程结束时，用户应该停止服务器并阻止所有workers。
-
-.. py:method:: init_server(dist_desc)
-
-如果当前进程是server，则初始化当前节点的服务器。
-
-参数: 
-  - **dist_desc** （str）- 描述如何初始化worker和server的protobuf字符串
-
-.. py:method:: init_worker(dist_desc, startup_program)
-
-如果当前进程是worker，则初始化当前节点的worker 
-
-参数: 
-  - **dist_desc** （str）- 描述如何初始化worker和server的protobuf字符串
-  - **startup_program** （fluid.Program）- 当前进程的startup program
-
-.. py:method:: init_model()
-
-可以从其中一个worker中调用的init_model命令。随之，在server中初始化模型参数。
-
-.. py:method:: save_model(save_path)
-
-可以从其中一个worker调用的save_model命令。随之，模型参数会保存在server中并上传到文件系统的save_path指定的位置。
-
-参数: 
-  - **save_path** （str）- 文件系统的保存路径
-
-
 .. _cn_api_fluid_BuildStrategy:
 
 BuildStrategy
@@ -263,7 +131,7 @@ CompiledProgram用于转换程序以进行各种优化。例如，
 cpu_places
 -------------------------------
 
-.. py:function:: paddle.fluid.cpu_places(device_count=None) 
+.. py:function:: paddle.fluid.cpu_places(device_count=None)
 
 创建 ``fluid.CPUPlace`` 对象列表。
 
@@ -299,7 +167,7 @@ CPUPlace是设备的描述符。它代表一个CPU，可以访问CPUPlace对应
 create_lod_tensor
 -------------------------------
 
-.. py:function:: paddle.fluid.create_lod_tensor(data, recursive_seq_lens, place) 
+.. py:function:: paddle.fluid.create_lod_tensor(data, recursive_seq_lens, place)
 
 
 该函数从一个numpy数组，列表或者已经存在的lod tensor中创建一个lod tensor。
@@ -358,7 +226,7 @@ create_random_int_lodtensor
 
 假如我们想用LoD Tensor来承载一词序列，其中每个词由一个整数来表示。现在，我们意图创建一个LoD Tensor来代表两个句子，其中一个句子有两个词，另外一个句子有三个。那么 ``base_shape`` 为[1], 输入的length-based ``recursive_seq_lens`` 是 [[2, 3]]。那么LoDTensor的整体形状应为[5, 1]，并且为两个句子存储5个词。
 
-参数:	
+参数:
     - **recursive_seq_lens** (list) – 一组列表的列表， 表明了由用户指明的length-based level of detail信息
     - **base_shape** (list) – LoDTensor所容纳的基本元素的形状
     - **place** (Place) –  CPU或GPU。 指明返回的新LoD Tensor存储地点
@@ -496,9 +364,9 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
     data_feed.set_batch_size(128)
     data_feed.set_dense_slots('wd')  # The slot named 'wd' will be dense
     data_feed.set_use_slots('wd')    # The slot named 'wd' will be used
-    
+
     #Finally, the content can be dumped out for debugging purpose:
-    
+
     print(data_feed.desc())
 
 
@@ -517,7 +385,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 **代码示例：**
 
 .. code-block:: python
-	
+
 	data_feed = fluid.DataFeedDesc('data.proto')
 	data_feed.set_batch_size(128)
 
@@ -534,11 +402,11 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 **代码示例：**
 
 .. code-block:: python
-	
+
 	data_feed = fluid.DataFeedDesc('data.proto')
 	data_feed.set_dense_slots(['words'])
 
-.. note:: 
+.. note::
 
 	默认情况下，所有slot都是稀疏的
 
@@ -558,7 +426,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 	data_feed.set_use_slots(['words'])
 
 .. note::
-	
+
 	默认值不用于所有slot
 
 
@@ -596,13 +464,13 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
 以下是简单用法：
 
 ..  code-block:: python
-	
+
 	place = fluid.CPUPlace()
 	img = fluid.layers.data(name='image', shape=[1, 28, 28])
 	label = fluid.layers.data(name='label', shape=[1], dtype='int64')
 	feeder = fluid.DataFeeder([img, label], fluid.CPUPlace())
 	result = feeder.feed([([0] * 784, [9]), ([1] * 784, [1])])
-	
+
 在多GPU模型训练时，如果需要提前分别向各GPU输入数据，可以使用 ``decorate_reader`` 函数。
 
 ..  code-block:: python
@@ -637,14 +505,14 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
 	for data in reader():
     		outs = exe.run(program=main_program,
                		       feed=feeder.feed(data))
-			       
-			       
+
+
 .. py:method:: feed(iterable)
 
 
 根据feed_list（数据输入表）和iterable（可遍历的数据）提供的信息，将输入数据转成一种特殊的数据结构，使它们可以输入到 ``Executor`` 和 ``ParallelExecutor`` 中。
 
-参数:	
+参数:
 	- **iterable** (list|tuple) – 要输入的数据
 
 返回：  转换结果
@@ -657,7 +525,7 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
 
 该方法获取的多个minibatch，并把每个minibatch提前输入进各个设备中。
 
-参数:	
+参数:
     - **iterable** (list|tuple) – 要输入的数据
     - **num_places** (int) – 设备数目。默认为None。
 
@@ -673,23 +541,23 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
 .. py:method::  decorate_reader(reader, multi_devices, num_places=None, drop_last=True)
 
 
-  
+
 将reader返回的输入数据batch转换为多个mini-batch，之后每个mini-batch都会被输入进各个设备（CPU或GPU）中。
-    
+
 参数：
         - **reader** (fun) – 该参数是一个可以生成数据的函数
         - **multi_devices** (bool) – bool型，指明是否使用多个设备
         - **num_places** (int) – 如果 ``multi_devices`` 为 ``True`` , 可以使用此参数来设置GPU数目。如果 ``multi_devices`` 为 ``None`` ，该函数默认使用当前训练机所有GPU设备。默认为None。
-        - **drop_last** (bool) – 如果最后一个batch的大小比 ``batch_size`` 要小，则可使用该参数来指明是否选择丢弃最后一个batch数据。 默认为 ``True`` 
+        - **drop_last** (bool) – 如果最后一个batch的大小比 ``batch_size`` 要小，则可使用该参数来指明是否选择丢弃最后一个batch数据。 默认为 ``True``
 
 返回：转换结果
 
 返回类型: dict
-    
+
 抛出异常： ``ValueError`` – 如果 ``drop_last`` 值为False并且data batch与设备不匹配时，产生此异常
 
 
-        
+
 
 
 
@@ -746,7 +614,7 @@ default_startup_program
 
 该函数可以获取默认/全局 startup program (启动程序)。
 
-``fluid.layers`` 中的layer函数会新建参数、readers(读取器)、NCCL句柄作为全局变量。 
+``fluid.layers`` 中的layer函数会新建参数、readers(读取器)、NCCL句柄作为全局变量。
 
 startup_program会使用内在的operators（算子）去初始化他们，并由layer函数将这些operators追加到startup program中。
 
@@ -777,7 +645,7 @@ DistributeTranspiler
 该类可以把fluid program转变为分布式数据并行计算程序（distributed data-parallelism programs）,可以有Pserver和NCCL2两种模式。
 当program在Pserver（全称：parameter server）模式下， ``main_program`` (主程序)转为使用一架远程parameter server(即pserver,参数服务器)来进行参数优化，并且优化图会被输入到一个pserver program中。
 在NCCL2模式下，transpiler会在 ``startup_program`` 中附加一个 ``NCCL_ID`` 广播算子（broadcasting operators）来实现在该集群中所有工作结点共享 ``NCCL_ID`` 。
-调用 ``transpile_nccl2`` 后， 你 **必须** 将 ``trainer_id`` , ``num_trainers`` 参数提供给 ``ParallelExecutor`` 来启动NCCL2分布式模式。 
+调用 ``transpile_nccl2`` 后， 你 **必须** 将 ``trainer_id`` , ``num_trainers`` 参数提供给 ``ParallelExecutor`` 来启动NCCL2分布式模式。
 
 
 
@@ -822,11 +690,11 @@ DistributeTranspiler
 
 该方法可以运行该transpiler（转译器）。
 
-参数:	
+参数:
 	- **trainer_id** (int) – 当前Trainer worker的id, 如果有n个Trainer worker, id 取值范围为0 ~ n-1
-	- **program** (Program|None) – 待transpile（转译）的program, 缺省为 ``fluid.default_main_program()`` 
+	- **program** (Program|None) – 待transpile（转译）的program, 缺省为 ``fluid.default_main_program()``
 	- **startup_program** (Program|None) - 要转译的 ``startup_program`` ,默认为 ``fluid.default_startup_program()``
-	- **pservers** (str) – 内容为Pserver列表的字符串，格式为：按逗号区分不同的Pserver，每个Pserver的格式为 *ip地址:端口号* 
+	- **pservers** (str) – 内容为Pserver列表的字符串，格式为：按逗号区分不同的Pserver，每个Pserver的格式为 *ip地址:端口号*
 	- **trainers** (int|str) – 在Pserver模式下，该参数指Trainer机的个数；在nccl2模式下，它是一个内容为Trainer终端列表的字符串
 	- **sync_mode** (bool) – 是否做同步训练(synchronous training), 默认为True
  	- **startup_program** (Program|None) – 待transpile（转译）的startup_program，默认为 ``fluid.default_main_program()``
@@ -847,10 +715,10 @@ DistributeTranspiler
 
 
 该方法可以得到Pserver（参数服务器）侧的程序
- 
-参数:	
+
+参数:
 	- **endpoint** (str) – 当前Pserver终端
- 
+
 返回:	当前Pserver需要执行的program
 
 返回类型:	Program
@@ -861,21 +729,21 @@ DistributeTranspiler
 
 该方法可以得到Pserver侧用于分布式训练的 ``main_program`` 和 ``startup_program`` 。
 
-参数:	
+参数:
 	- **endpoint** (str) – 当前Pserver终端
 
 返回:	(main_program, startup_program), “Program”类型的元组
 
-返回类型:	tuple 
- 
- 
+返回类型:	tuple
+
+
 .. py:method:: get_startup_program(endpoint, pserver_program=None, startup_program=None)
 
 
 **该函数已停止使用**
 获取当前Pserver的startup_program，如果有多个被分散到不同blocks的变量，则修改operator的输入变量。
 
-参数:	
+参数:
 	- **endpoint** (str) – 当前Pserver终端
 	- **pserver_program** (Program) – 已停止使用。 先调用get_pserver_program
  	- **startup_program** (Program) – 已停止使用。应在初始化时传入startup_program
@@ -947,18 +815,18 @@ ExecutionStrategy
 
 
 .. py:attribute:: allow_op_delay
-   
+
 这是一个bool类型成员，表示是否推迟communication operators(交流运算)的执行，这样做会使整体执行过程更快一些。但是在一些模型中，allow_op_delay会导致程序中断。默认为False。
-  
+
 
 
 .. py:attribute:: num_iteration_per_drop_scope
-  
+
 int型成员。它表明了清空执行时产生的临时变量需要的程序执行重复次数。因为临时变量的形状可能在两次重复过程中保持一致，所以它会使整体执行过程更快。默认值为100。
 
 .. note::
   1. 如果在调用 ``run`` 方法时获取结果数据，``ParallelExecutor`` 会在当前程序重复执行尾部清空临时变量
-  
+
   2. 在一些NLP模型里，该成员会致使GPU内存不足。此时，你应减少 ``num_iteration_per_drop_scope`` 的值
 
 
@@ -1005,12 +873,12 @@ Executor将全局变量存储到全局作用域中，并为临时变量创建局
 
 .. code-block:: python
 
-    # 新建一个执行引擎Executor名为exe。 
+    # 新建一个执行引擎Executor名为exe。
     place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
     exe = fluid.Executor(place)
 
     # 仅运行一次startup program.
-    # 不需要优化/编译这个startup program. 
+    # 不需要优化/编译这个startup program.
     exe.run(fluid.default_startup_program())
 
     # 无需编译，直接运行main program
@@ -1018,7 +886,7 @@ Executor将全局变量存储到全局作用域中，并为临时变量创建局
                         feed=feed_dict,
                         fetch_list=[loss.name])
 
-    # 另一种方法是，编译这个main program然后运行. 参考CompiledProgram 
+    # 另一种方法是，编译这个main program然后运行. 参考CompiledProgram
     compiled_prog = compiler.CompiledProgram(
             fluid.default_main_program()).with_data_parallel(
             loss_name=loss.name)
@@ -1027,7 +895,7 @@ Executor将全局变量存储到全局作用域中，并为临时变量创建局
                         fetch_list=[loss.name])
 
 
-参数:	
+参数:
     - **place** (core.CPUPlace|core.CUDAPlace(n)) – 指明了 ``Executor`` 的执行场所
 
 
@@ -1038,11 +906,11 @@ Executor将全局变量存储到全局作用域中，并为临时变量创建局
 关闭这个执行器(Executor)。
 
 调用这个方法后不可以再使用这个执行器。 对于分布式训练, 该函数会释放在PServers上和目前Trainer有关联的资源。
-   
+
 **示例代码**
 
 ..  code-block:: python
-    
+
     cpu = core.CPUPlace()
     exe = Executor(cpu)
     ...
@@ -1059,7 +927,7 @@ feed map为该program提供输入数据。fetch_list提供program训练结束后
 
 应注意，执行器会执行program中的所有算子而不仅仅是依赖于fetch_list的那部分。
 
-参数：  
+参数：
 	- **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)
 	- **feed** (dict) – 前向输入的变量，数据,词典dict类型, 例如 {“image”: ImageData, “label”: LabelData}
 	- **fetch_list** (list) – 用户想得到的变量或者命名的列表, 该方法会根据这个列表给出结果
@@ -1068,7 +936,7 @@ feed map为该program提供输入数据。fetch_list提供program训练结束后
 	- **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。缺省为全局域
 	- **return_numpy** (bool) – 如果为True,则将结果张量（fetched tensor）转化为numpy
 	- **use_program_cache** (bool) – 是否跨批使用缓存程序设置。设置为True时，只有当（1）程序没有用数据并行编译，并且（2）program、 feed变量名和fetch_list变量名与上一步相比没有更改时，运行速度才会更快。
-	
+
 返回:	根据fetch_list来获取结果
 
 返回类型:	list(numpy.array)
@@ -1088,19 +956,19 @@ feed map为该program提供输入数据。fetch_list提供program训练结束后
 
 
 ..  code-block:: python
-	
-	
+
+
 	cpu = core.CPUPlace()
 	exe = Executor(cpu)
 	exe.run(default_startup_program())
-	
+
 ..  code-block:: python
-	
+
 	x = numpy.random.random(size=(10, 1)).astype('float32')
 	outs = exe.run(
 		feed={'X': x},
 		fetch_list=[loss.name])
-	
+
 
 
 
@@ -1155,7 +1023,7 @@ LoDTensor
 
 LoDTensor是一个具有LoD信息的张量(Tensor)
 
-``np.array(lod_tensor)`` 可以将LoDTensor转换为numpy array。 
+``np.array(lod_tensor)`` 可以将LoDTensor转换为numpy array。
 
 ``lod_tensor.lod()`` 可以获得LoD信息。
 
@@ -1169,7 +1037,7 @@ X 为 LoDTensor，它包含两个序列。第一个长度是2，第二个长度
 
 ::
 
-	x.lod  =  [[2, 3]] 
+	x.lod  =  [[2, 3]]
 	x.data = [[1, 2], [3, 4], // seq 1
 
 		  [5, 6], [7, 8], [9, 10]] // seq 2
@@ -1204,9 +1072,9 @@ LoD可以有多个level(例如，一个段落可以有多个句子，一个句
 
 .. py:method::	lod(self: paddle.fluid.core.LoDTensor) → List[List[int]]
 
-得到LoD Tensor的LoD。 
+得到LoD Tensor的LoD。
 
-返回：LoD Tensor的LoD。 
+返回：LoD Tensor的LoD。
 
 返回类型：out（List [List [int]]）
 
@@ -1287,7 +1155,7 @@ memory_optimize
 	- **skip_opt_set** (set) – set中的vars将不被内存优化。
 	- **print_log** (bool) – 是否打印debug日志。
 	- **level** (int)  如果 level=0 并且shape是完全相等，则重用。
-	
+
 返回: None
 
 
@@ -1309,13 +1177,13 @@ name_scope
 
 注意： 这个函数只能用于调试和可视化。不要将其用于分析，比如graph/program转换。
 
-参数： 
+参数：
 	- **prefix** (str) - 前缀
 
 **示例代码**
 
 .. code-block:: python
-          
+
     with name_scope("encoder"):
         ...
     with name_scope("decoder"):
@@ -1344,7 +1212,7 @@ ParallelExecutor
 
 
 
-参数: 
+参数:
     - **use_cuda** (bool) – 是否使用CUDA
     - **loss_name** (str) – 在训练阶段，必须提供loss function名称。默认为None
     - **main_program** (Program) – 需要执行的program。如果未提供， 那么将使用 ``default_main_program``。 默认为None
@@ -1385,11 +1253,11 @@ ParallelExecutor
 例如，如果 ``feed`` 是个 ``dict`` 类型变量，则有
 
 ..  code-block:: python
-    
+
     exe = ParallelExecutor()
     # 图像会被split到设备中。假设有两个设备，那么每个设备将会处理形为 (24, 1, 28, 28)的图像
     exe.run(feed={'image': numpy.random.random(size=(48, 1, 28, 28))})
-  
+
 如果 ``feed`` 是个 ``list`` 类型变量，则有
 
 ..  code-block:: python
@@ -1404,7 +1272,7 @@ ParallelExecutor
                   {"image": numpy.random.random(size=(32, 1, 28, 28))},
                   ])
 
-参数： 
+参数：
     - **fetch_list** (list) – 获取的变量名列表
     - **feed** (list|dict|None) – feed变量。 如果该参数是 ``dict`` 类型，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU）。反之，如果它是 ``list`` ，则列表中的各个元素都直接分别被拷贝到各设备中。默认为None
     - **feed_dict** – 该参数已经停止使用。feed参数的别名, 为向后兼容而立。默认为None
@@ -1414,7 +1282,7 @@ ParallelExecutor
 
 返回类型：List
 
-抛出异常: 
+抛出异常:
      - ``ValueError`` - 如果feed参数是list类型，但是它的长度不等于可用设备（执行场所）的数目，再或者给定的feed不是dict类型，抛出此异常
      - ``TypeError`` - 如果feed参数是list类型，但是它里面的元素不是dict类型时，弹出此异常
 
@@ -1442,7 +1310,7 @@ ParallelExecutor
 
 .. _cn_api_fluid_ParamAttr:
 
- 
+
 ParamAttr
 -------------------------------
 
@@ -1451,7 +1319,7 @@ ParamAttr
 
 该类代表了参数的各种属性。 为了使神经网络训练过程更加流畅，用户可以根据需要调整参数属性。比如learning rate（学习率）, regularization（正则化）, trainable（可训练性）, do_model_average(平均化模型)和参数初始化方法.
 
-参数:	
+参数:
     - **name** (str) – 参数名。默认为None。
     - **initializer** (Initializer) – 初始化该参数的方法。 默认为None
     - **learning_rate** (float) – 参数的学习率。计算方法为 :math:`global\_lr*parameter\_lr∗scheduler\_factor` 。 默认为1.0
@@ -1459,7 +1327,7 @@ ParamAttr
     - **trainable** (bool) – 该参数是否可训练。默认为True
     - **gradient_clip** (BaseGradientClipAttr) – 减少参数梯度的方法。默认为None
     - **do_model_average** (bool) – 该参数是否服从模型平均值。默认为False
-    
+
 **代码示例**
 
 ..  code-block:: python
@@ -1553,7 +1421,7 @@ operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。
 
 用于debug
 
-参数：  
+参数：
 	- **throw_on_error** (bool): 没有设置任何必需的字段时，抛出值错误。
 	- **with_details** (bool): 值为true时，打印更多关于变量和参数的信息，如trainable, optimize_attr等
 
@@ -1561,7 +1429,7 @@ operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。
 
 返回类型： str
 
-抛出异常： 
+抛出异常：
  - ``ValueError`` - 当 ``throw_on_error == true`` ，但没有设置任何必需的字段时，抛出 ``ValueError`` 。
 
 
@@ -1610,8 +1478,8 @@ operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。
   test_program = train_program.clone(for_test=True)
   sgd = fluid.optimizer.SGD(learning_rate=1e-3)
   with fluid.program_guard(train_program, startup_program):
-        sgd.minimize(loss)    
-	
+        sgd.minimize(loss)
+
 2.如果分别运行 train Program 和 test Program，则可以不使用clone。
 
 ..  code-block:: python
@@ -1650,7 +1518,7 @@ operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。
 
 注意:在序列化和反序列化之后，所有关于参数的信息都会丢失。
 
-参数:	
+参数:
     - **binary_str_type** (str) – prootbuf二进制字符串
 
 返回:	反序列化后的ProgramDesc
@@ -1691,7 +1559,7 @@ operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。
 返回：generator 会yield每个Program中的变量
 
 返回类型：iterable
-	
+
 
 
 
@@ -1736,7 +1604,7 @@ program_guard
 		data = ...
 
 
-参数：  
+参数：
 		- **main_program** (Program) – “with”语句中将使用的新的main program。
 		- **startup_program** (Program) – “with”语句中将使用的新的startup program。若传入 ``None`` 则不改变当前的启动程序。
 
@@ -1754,7 +1622,7 @@ program_guard
 release_memory
 -------------------------------
 
-.. py:function:: paddle.fluid.release_memory(input_program, skip_opt_set=None) 
+.. py:function:: paddle.fluid.release_memory(input_program, skip_opt_set=None)
 
 
 该函数可以调整输入program，插入 ``delete_op`` 删除算子，提前删除不需要的变量。
@@ -1762,8 +1630,8 @@ release_memory
 
 **提醒**: 该API还在试验阶段，会在后期版本中删除。不建议用户使用。
 
-参数:	
-    - **input_program** (Program) – 在此program中插入 ``delete_op`` 
+参数:
+    - **input_program** (Program) – 在此program中插入 ``delete_op``
     - **skip_opt_set** (set) – 在内存优化时跳过的变量的集合
 
 返回: None
@@ -1788,7 +1656,7 @@ scope_guard
 ..  code-block:: python
 
 	import paddle.fluid as fluid
-	
+
 	new_scope = fluid.Scope()
 	with fluid.scope_guard(new_scope):
 		...

doc/fluid/api_cn/layers_cn.rst

@@ -2882,8 +2882,8 @@ dropout op可以从Program中删除，提高执行效率。
       1. downgrade_in_infer(default), 在预测时减小输出结果
 
          - train: out = input * mask
-         
-         - inference: out = input * (1.0 - dropout_prob) 
+
+         - inference: out = input * (1.0 - dropout_prob)
 
          (mask是一个张量，维度和输入维度相同，值为0或1，值为0的比例即为 ``dropout_prob`` )
 
@@ -3179,9 +3179,9 @@ LSTMP层(具有循环映射的LSTM)在LSTM层后有一个分离的映射层，
     - **proj_activation** (str) - 投影输出的激活函数。Choices = [“sigmoid”，“tanh”，“relu”，“identity”]，默认“tanh”。
     - **dtype** (str) - 数据类型。Choices = [“float32”，“float64”]，默认“float32”。
     - **name** (str|None) - 该层名称（可选）。若设为None，则自动为该层命名。
-    - **h_0** (Variable) - 初始隐藏状态是可选输入，默认为0。这是一个具有形状的张量(N x D)，其中N是批大小，D是投影大小。 
+    - **h_0** (Variable) - 初始隐藏状态是可选输入，默认为0。这是一个具有形状的张量(N x D)，其中N是批大小，D是投影大小。
     - **c_0** (Variable) - 初始cell状态是可选输入，默认为0。这是一个具有形状(N x D)的张量，其中N是批大小。h_0和c_0可以为空，但只能同时为空。
-    - **cell_clip** (float) - 如果提供该参数，则在单元输出激活之前，单元状态将被此值剪裁。 
+    - **cell_clip** (float) - 如果提供该参数，则在单元输出激活之前，单元状态将被此值剪裁。
     - **proj_clip** (float) - 如果 num_proj > 0 并且 proj_clip 被提供,那么将投影值沿元素方向剪切到[-proj_clip，proj_clip]内
 
 返回：含有两个输出变量的元组，隐藏状态（hidden state）的投影和LSTMP的cell状态。投影的shape为（T*P），cell state的shape为（T*D），两者的LoD和输入相同。
@@ -3827,12 +3827,12 @@ fc
                 data_1.data = [[[0.1, 0.2],
                                [0.3, 0.4]]]
                 data_1.shape = (1, 2, 2) # 1 is batch_size
-         
+
                 data_2 = [[[0.1, 0.2, 0.3]]]
                 data_2.shape = (1, 1, 3)
-         
+
                 out = fluid.layers.fc(input=[data_1, data_2], size=2)
-         
+
             Then:
                 out.data = [[0.18669507, 0.1893476]]
                 out.shape = (1, 2)
@@ -8597,7 +8597,7 @@ shape层。
 返回： (Tensor），输入变量的形状
 
 返回类型：    Variable
-        
+
 **代码示例：**
 
 .. code-block:: python
@@ -9012,7 +9012,7 @@ softmax操作符计算k维向量输入中所有其他维的指数和指数值的
     fc = fluid.layers.fc(input=x, size=10)
     # 在第二维执行softmax
     softmax = fluid.layers.softmax(input=fc, axis=1)
-    # 在最后一维执行softmax 
+    # 在最后一维执行softmax
     softmax = fluid.layers.softmax(input=fc, axis=-1)
 
 
@@ -9061,7 +9061,7 @@ softmax_with_cross_entropy
   - **logits** (Variable) - 未标准化(unscaled)的log概率,一个形为 N X K 的二维张量。 N是batch大小，K是类别总数。
   - **label** (Variable) - 2-D 张量，代表了正确标注（ground truth）, 如果 ``soft_label`` 为  False，则该参数是一个形为 N X 1 的Tensor<int64> 。如果 ``soft_label`` 为 True，它是 Tensor<float/double> ，形为 N X K 。
   - **soft_label** (bool) - 是否将输入标签当作软标签。默认为False。
-  - **ignore_index** (int) - 指明要无视的目标值，使之不对输入梯度有贡献。仅在 ``soft_label`` 为False时有效，默认为kIgnoreIndex。 
+  - **ignore_index** (int) - 指明要无视的目标值，使之不对输入梯度有贡献。仅在 ``soft_label`` 为False时有效，默认为kIgnoreIndex。
   - **numeric_stable_mode** (bool) – 标志位，指明是否使用一个具有更佳数学稳定性的算法。仅在 ``soft_label`` 为 False的GPU模式下生效. 若 ``soft_label`` 为 True 或者执行场所为CPU, 算法一直具有数学稳定性。 注意使用稳定算法时速度可能会变慢。默认为 True。
   - **return_softmax** (bool) – 标志位，指明是否额外返回一个softmax值， 同时返回交叉熵计算结果。默认为False。
 
@@ -9387,7 +9387,7 @@ stack
                       [5.0, 6.0] ] ]
         Out.dims = [1, 3, 2]
 
-参数:	
+参数:
 
   - **x** (Variable|list(Variable)|tuple(Variable)) – 输入变量
   - **axis** (int|None) – 对输入进行stack运算所在的轴
@@ -9909,9 +9909,9 @@ abs
 
 参数:
 
-    - **x** - abs算子的输入 
+    - **x** - abs算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
- 
+
 返回：        abs算子的输出。
 
 
@@ -9931,8 +9931,8 @@ arccosine激活函数。
     out = cos^{-1}(x)
 
 参数:
-    - **x** - acos算子的输入 
- 
+    - **x** - acos算子的输入
+
 返回：        acos算子的输出。
 
 
@@ -9950,8 +9950,8 @@ arcsine激活函数。
     out = sin^{-1}(x)
 
 参数:
-    - **x** - asin算子的输入 
- 
+    - **x** - asin算子的输入
+
 返回：        asin算子的输出。
 
 
@@ -9968,8 +9968,8 @@ arctanh激活函数。
     out = tanh^{-1}(x)
 
 参数:
-    - **x** - atan算子的输入 
- 
+    - **x** - atan算子的输入
+
 返回：       atan算子的输出。
 
 
@@ -9993,7 +9993,7 @@ ceil
 
 参数:
 
-    - **x** - Ceil算子的输入 
+    - **x** - Ceil算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：        Ceil算子的输出。
@@ -10024,7 +10024,7 @@ Cosine余弦激活函数。
 
 参数:
 
-    - **x** - cos算子的输入 
+    - **x** - cos算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 
@@ -10085,7 +10085,7 @@ Exp激活函数(Exp指以自然常数e为底的指数运算)。
 
 参数:
 
-    - **x** - Exp算子的输入 
+    - **x** - Exp算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 
@@ -10116,7 +10116,7 @@ floor
 
 参数:
 
-    - **x** - Floor算子的输入 
+    - **x** - Floor算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 
@@ -10188,8 +10188,8 @@ Logsigmoid激活函数。
 
 参数:
     - **x** - LogSigmoid算子的输入
-    
-    - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn 
+
+    - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：        LogSigmoid算子的输出
 
@@ -10217,8 +10217,8 @@ Reciprocal（取倒数）激活函数
 
 参数:
 
-    - **x** - reciprocal算子的输入 
-    - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn 
+    - **x** - reciprocal算子的输入
+    - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：        Reciprocal算子的输出。
 
@@ -10247,8 +10247,8 @@ Round取整激活函数。
 
 参数:
 
-    - **x** - round算子的输入 
-    - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn 
+    - **x** - round算子的输入
+    - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：        Round算子的输出。
 
@@ -10276,7 +10276,7 @@ sigmoid激活函数
 
 参数:
 
-    - **x** - Sigmoid算子的输入 
+    - **x** - Sigmoid算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：     Sigmoid运算输出.
@@ -10305,7 +10305,7 @@ sin
 
 参数:
 
-    - **x** - sin算子的输入 
+    - **x** - sin算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 
@@ -10423,7 +10423,7 @@ sqrt
 
 参数:
 
-    - **x** - Sqrt算子的输入 
+    - **x** - Sqrt算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：       Sqrt算子的输出。
@@ -10482,7 +10482,7 @@ tanh 激活函数。
 
 参数:
 
-    - **x** - Tanh算子的输入  
+    - **x** - Tanh算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：     Tanh算子的输出。
@@ -10511,7 +10511,7 @@ tanh_shrink激活函数。
 
 参数:
 
-    - **x** - TanhShrink算子的输入 
+    - **x** - TanhShrink算子的输入
     - **use_cudnn** (BOOLEAN) – （bool，默认为false）是否仅用于cudnn核，需要安装cudnn
 
 返回：     tanh_shrink算子的输出
@@ -11295,37 +11295,9 @@ zeros
 
 
 
-============
+==========================
  learning_rate_scheduler
-============
-
-
-.. _cn_api_fluid_layers_append_LARS:
-
-append_LARS
--------------------------------
-
-.. py:function:: paddle.fluid.layers.append_LARS(params_grads,learning_rate,weight_decay)
-
-对每一层的学习率运用LARS(LAYER-WISE ADAPTIVE RATE SCALING)
-
-
-
-参数：
-    - **learning_rate** -变量学习率。LARS的全局学习率。
-    - **weight_decay** -Python float类型数
-
-返回： 衰减的学习率
-
-**代码示例** :
-
-.. code-block:: python
-
-        learning_rate*=local_gw_ratio * sqrt(sumsq(param))
-            / (sqrt(sumsq(gradient))+ weight_decay * sqrt(sumsq(param)))
-
-
-
+==========================
 
 .. _cn_api_fluid_layers_cosine_decay:
 
@@ -11354,7 +11326,7 @@ cosine_decay
 
 .. code-block:: python
 
-    base_lr = 0.1 
+    base_lr = 0.1
     lr = fluid.layers.cosine_decay( learning_rate = base_lr, step_each_epoch=10000, epochs=120)
 
 
@@ -11922,7 +11894,7 @@ box decode过程得出decode_box，然后分配方案如下所述：
     scores = fluid.layers.data(
         name='scores', shape=[20, 81], dtype='float32')
     decoded_box, output_assign_box = fluid.layers.box_decoder_and_assign(
-        pb, pbv, loc, scores, 4.135)    
+        pb, pbv, loc, scores, 4.135)
 
 
 .. _cn_api_fluid_layers_density_prior_box:
@@ -12858,7 +12830,7 @@ yolo_box
 
 先前网络的输出形状为[N，C，H，W]，而H和W应相同，用来指定网格大小。对每个网格点预测给定的数目的框，这个数目记为S，由anchor的数量指定。 在第二维（通道维度）中，C应该等于S *（5 + class_num），class_num是源数据集中对象类别数目（例如coco数据集中的80），此外第二个（通道）维度中还有4个框位置坐标x，y，w，h，以及anchor box的one-hot key的置信度得分。
 
-假设4个位置坐标是 :math:`t_x` ，:math:`t_y` ，:math:`t_w` ， :math:`t_h` 
+假设4个位置坐标是 :math:`t_x` ，:math:`t_y` ，:math:`t_w` ， :math:`t_h`
 ，则框的预测算法为：
 
 .. math::