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

doc/fluid/api_cn/layers_cn.rst

@@ -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: