polish,test=develop

doc/fluid/api_cn/dygraph_cn/DataParallel_cn.rst

@@ -45,7 +45,7 @@ DataParallel
        hidden = linear(data)
        avg_loss = fluid.layers.mean(hidden)
 
-       # 根据trainers的数量来损失值进行缩放
+       # 根据trainers的数量来损失值进行缩放，其中trainers为参与训练GPU卡的数量。
        avg_loss = linear.scale_loss(avg_loss)
 
        avg_loss.backward()
@@ -58,7 +58,7 @@ DataParallel
 
 .. py:method:: scale_loss(loss)
 
-对损失值进行缩放。在数据并行模式下，损失值根据 ``trainers`` 的数量缩放一定的比例；反之，返回原始的损失值。在 ``backward`` 前调用，示例如上。
+对损失值进行缩放。在数据并行模式下，损失值根据 ``trainers`` 的数量缩放一定的比例；反之，返回原始的损失值。在 ``backward`` 前调用，示例如上。其中 ``trainers`` 为参与训练GPU卡的数量。
 
 参数：
     - **loss** (Variable) - 当前模型的损失值
@@ -69,5 +69,5 @@ DataParallel
 
 .. py:method:: apply_collective_grads()
 
-使用AllReduce模式来计算数据并行模式下多个 ``trainers`` 模型之间参数梯度的均值。在 ``backward`` 之后调用，示例如上。
+使用AllReduce模式来计算数据并行模式下多个 ``trainers`` 模型之间参数梯度的均值。在 ``backward`` 之后调用，示例如上。其中 ``trainers`` 为参与训练GPU卡的数量。
 

doc/fluid/api_cn/dygraph_cn/Env_cn.rst

@@ -27,7 +27,7 @@ Env通常需要和 `fluid.dygraph.parallel.DataParallel` 一起使用，用于
             # 准备数据并行的环境
             strategy = dygraph.parallel.prepare_context()
             linear = Linear(1, 10, act="softmax")
-            adam = fluid.optimizer.AdamOptimizer()
+            adam = fluid.optimizer.AdamOptimizer(parameter_list=linear.parameters())
             # 配置模型为并行模型
             linear = dygraph.parallel.DataParallel(linear, strategy)
             x_data = np.random.random(size=[10, 1]).astype(np.float32)

scripts/api_white_list.txt

@@ -8,3 +8,4 @@ transpiler_cn/RoundRobin_cn.rst
 optimizer_cn/Dpsgd_cn.rst
 io_cn/ComposeNotAligned_cn.rst
 dygraph_cn/DataParallel_cn.rst
+dygraph_cn/Env_cn.rst