Change style (#2264)

* change_api_doc_style

* add_api_.rst

doc/fluid/api/.rst

@@ -4,4 +4,3 @@ fluid
 
 ..  toctree::
     :maxdepth: 1
-

doc/fluid/api_cn/backward_cn/append_backward_cn.rst

@@ -14,20 +14,29 @@ append_backward
 
 在大多数情况下，用户无需手动调用此接口，它将由优化器（``Optimizer``）的 ``minimize`` 函数自动调用。
 
-参数：
+参数
+::::::::::::
+
     - **loss** ( :ref:`api_guide_Variable` ) - 网络的损失变量。
     - **parameter_list** （list [Variable|str]，可选）- 指定优化器需要更新的参数或参数名称列表。如果为 ``None`` ，则将更新所有参数。默认值为 ``None``。
     - **no_grad_set** （set [Variable|str]，可选）-  在 `block0` ( :ref:`api_guide_Block` ) 中要忽略梯度的 :ref:`api_guide_Variable` 的名字的集合。所有的 :ref:`api_guide_Block` 中带有 ``stop_gradient = True`` 的所有 :ref:`api_guide_Variable` 的名字都会被自动添加到此集合中。如果该参数不为 ``None``，则会将该参数集合的内容添加到默认的集合中。默认值为 ``None``。
     - **callbacks** （list [callable object]，可选）- 回调函数列表。用于在反向传播构建中执行一些自定义作业。每次将新的梯度OP添加到程序中时，将调用其中的所有可调用对象。可调用对象必须有两个输入参数： :ref:`api_guide_Block` 和 ``context`` 。 :ref:`api_guide_Block` 是将被添加到新梯度算子的块。 ``context`` 是一个映射，其键是梯度 :ref:`api_guide_Variable` 名，值是对应的原始 :ref:`api_guide_Variable` 。除此之外， ``context`` 还有另一个特殊的键值对：键是字符串 ``__ current_op_desc__`` ，值是刚刚触发可调用对象的梯度OP的 ``op_desc`` 。默认值为 ``None``。
 
-返回：   参数及其梯度 :ref:`api_guide_Variable` 的元组的列表。元组的第一个值为参数，第二个值为该参数的梯度 :ref:`api_guide_Variable` 。
+返回
+::::::::::::
+   参数及其梯度 :ref:`api_guide_Variable` 的元组的列表。元组的第一个值为参数，第二个值为该参数的梯度 :ref:`api_guide_Variable` 。
 
-返回类型：       list[( :ref:`api_guide_Variable` , :ref:`api_guide_Variable` )]
+返回类型
+::::::::::::
+       list[( :ref:`api_guide_Variable` , :ref:`api_guide_Variable` )]
 
-抛出：     
+抛出异常
+::::::::::::
+     
     - ``AssertionError`` - 如果 loss 不是 :ref:`api_guide_Variable` 的实例。
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/backward_cn/gradients_cn.rst

@@ -9,18 +9,25 @@ gradients
 
 将目标梯度反向传播到输入。
 
-参数：  
+参数
+::::::::::::
+  
   - **targets** (Variable|list[Variable]) – 目标变量
   - **inputs** (Variable|list[Variable]) – 输入变量
   - **target_gradients** (Variable|list[Variable]，可选) – 目标的梯度变量，应与目标变量形状相同；如果设置为None，则以1初始化所有梯度变量
   - **no_grad_set** (set[Variable|str]，可选) – 在 `block0` ( :ref:`api_guide_Block` ) 中要忽略梯度的 :ref:`api_guide_Variable` 的名字的集合。所有的 :ref:`api_guide_Block` 中带有 ``stop_gradient = True`` 的所有 :ref:`api_guide_Variable` 的名字都会被自动添加到此集合中。如果该参数不为 ``None``，则会将该参数集合的内容添加到默认的集合中。默认值为 ``None``。
 
 
-返回：数组，包含与输入对应的梯度。如果一个输入不影响目标函数，则对应的梯度变量为None
+返回
+::::::::::::
+数组，包含与输入对应的梯度。如果一个输入不影响目标函数，则对应的梯度变量为None
 
-返回类型：(list[Variable])
+返回类型
+::::::::::::
+(list[Variable])
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/clip_cn/ErrorClipByValue_cn.rst

@@ -13,12 +13,15 @@ ErrorClipByValue
 - 任何大于max（最大值）的值都被设置为 ``max``
 
 
-参数:
+参数
+::::::::::::
+
  - **max** (foat) - 要修剪的最大值。
  - **min** (float) - 要修剪的最小值。如果用户没有设置，将被框架默认设置为 ``-max`` 。
 
   
-**代码示例**
+代码示例
+::::::::::::
  
 .. code-block:: python
         

doc/fluid/api_cn/clip_cn/GradientClipByGlobalNorm_cn.rst

@@ -26,12 +26,15 @@ GradientClipByGlobalNorm
             \\global\_norm=\sqrt{\sum_{i=0}^{n-1}(l2norm(t\_list[i]))^2}\\
 
 
-参数:
+参数
+::::::::::::
+
  - **clip_norm** (float) - 所允许的范数最大值
  - **group_name** (str, optional) - 剪切的组名
  - **need_clip** (function, optional) - 类型: 函数。用于指定需要梯度裁剪的参数，该函数接收一个 ``Parameter`` ，返回一个 ``bool`` (True表示需要裁剪，False不需要裁剪)。默认为None，此时会裁剪网络中全部参数。
   
-**代码示例1：静态图**
+代码示例 1：静态图
+::::::::::::
  
 .. code-block:: python
             
@@ -68,7 +71,8 @@ GradientClipByGlobalNorm
     out = exe.run(main_prog, feed={'x': x}, fetch_list=loss)
 
 
-**代码示例2：动态图**
+代码示例 2：动态图
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/clip_cn/GradientClipByNorm_cn.rst

@@ -33,11 +33,14 @@ GradientClipByNorm
 .. math::
   \\norm(X) = (\sum_{i=1}^{n}|x_i|^2)^{\frac{1}{2}}\\
 
-参数:
+参数
+::::::::::::
+
  - **clip_norm** (float) - 所允许的二范数最大值。
  - **need_clip** (function, optional) - 类型: 函数。用于指定需要梯度裁剪的参数，该函数接收一个 ``Parameter`` ，返回一个 ``bool`` (True表示需要裁剪，False不需要裁剪)。默认为None，此时会裁剪网络中全部参数。
 
-**代码示例1：静态图**
+代码示例 1：静态图
+::::::::::::
  
 .. code-block:: python
             
@@ -74,7 +77,8 @@ GradientClipByNorm
     out = exe.run(main_prog, feed={'x': x}, fetch_list=loss)
 
 
-**代码示例2：动态图**
+代码示例 2：动态图
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/clip_cn/GradientClipByValue_cn.rst

@@ -18,12 +18,15 @@ GradientClipByValue
 
 - 任何大于 ``max`` 的值都被设置为 ``max``
 
-参数:
+参数
+::::::::::::
+
  - **max** (foat) - 要修剪的最大值。
  - **min** (float，optional) - 要修剪的最小值。如果用户没有设置，将被自动设置为 ``-max`` （此时 ``max`` 必须大于0）。
  - **need_clip** (function, optional) - 类型: 函数。用于指定需要梯度裁剪的参数，该函数接收一个 ``Parameter`` ，返回一个 ``bool`` (True表示需要裁剪，False不需要裁剪)。默认为None，此时会裁剪网络中全部参数。
   
-**代码示例1：静态图**
+代码示例 1：静态图
+::::::::::::
  
 .. code-block:: python
             
@@ -60,7 +63,8 @@ GradientClipByValue
     out = exe.run(main_prog, feed={'x': x}, fetch_list=loss)
 
 
-**代码示例2：动态图**
+代码示例 2：动态图
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/clip_cn/set_gradient_clip_cn.rst

@@ -14,14 +14,19 @@ set_gradient_clip
 
 给指定参数做梯度裁剪。
 
-参数:
+参数
+::::::::::::
+
     - **clip** (GradientClipBase) - 梯度裁剪的策略，如 :ref:`cn_api_fluid_clip_GradientClipByGlobalNorm` 等，用于描述具体的裁剪方法和属性。
     - **param_list** (list(Variable)，可选) - 需要裁剪的参数列表，可以是参数或参数名称列表。默认值为None，表示裁剪 ``program`` 中的所有参数。
     - **program** (Program，可选) - 参数所在的Program。默认值为None，表示使用 :ref:`cn_api_fluid_default_main_program` 。
 
-返回: 无。
+返回
+::::::::::::
+ 无。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/data_cn/data_reader_cn/DataFeeder_cn.rst

@@ -10,7 +10,8 @@ DataFeeder将reader返回的数据转换为可以输入Executor和ParallelExecut
 
 简单用法如下：
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 
@@ -25,7 +26,8 @@ DataFeeder将reader返回的数据转换为可以输入Executor和ParallelExecut
 如果您想在使用多个GPU训练模型时预先将数据单独输入GPU端，可以使用decorate_reader函数。
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 
@@ -41,15 +43,20 @@ DataFeeder将reader返回的数据转换为可以输入Executor和ParallelExecut
         paddle.batch(paddle.dataset.flowers.train(), batch_size=16), multi_devices=False)
 
 
-参数：
+参数
+::::::::::::
+
     - **feed_list**  (list) –  将输入模型的变量或变量的名称。
     - **place**  (Place) – place表示将数据输入CPU或GPU，如果要将数据输入GPU，请使用fluid.CUDAPlace(i)（i表示GPU的ID），如果要将数据输入CPU，请使用fluid.CPUPlace()。
     - **program**  (Program) –将数据输入的Program，如果Program为None，它将使用default_main_program() 。默认值None。
 
-抛出异常：     ``ValueError`` – 如果某些变量未在Program中出现
+抛出异常
+::::::::::::
+     ``ValueError`` – 如果某些变量未在Program中出现
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 
@@ -81,16 +88,22 @@ DataFeeder将reader返回的数据转换为可以输入Executor和ParallelExecut
                        fetch_list=[out])
 
 
-.. py:method::  feed(iterable)
+方法
+::::::::::::
+feed(iterable)
+'''''''''
 
 根据feed_list和iterable，将输入转换成一个数据结构，该数据结构可以输入Executor和ParallelExecutor。
 
-参数：
+**参数**
+
     - **iterable** (list|tuple) – 输入的数据
 
-返回： 转换结果
+**返回**
+ 转换结果
 
-返回类型： dict
+**返回类型**
+ dict
 
 **代码示例**
 
@@ -112,17 +125,21 @@ DataFeeder将reader返回的数据转换为可以输入Executor和ParallelExecut
 
 
 
-.. py:method::  feed_parallel(iterable, num_places=None)
+feed_parallel(iterable, num_places=None)
+'''''''''
 
 需要多个mini-batches。每个mini-batch都将提前在每个设备上输入。
 
-参数：
+**参数**
+
     - **iterable** (list|tuple) – 输入的数据。
     - **num_places**  (int) – 设备编号，默认值为None。
 
-返回： 转换结果
+**返回**
+ 转换结果
 
-返回类型： dict
+**返回类型**
+ dict
 
 
 
@@ -158,21 +175,26 @@ DataFeeder将reader返回的数据转换为可以输入Executor和ParallelExecut
                 data = []
 
 
-.. py:method::  decorate_reader(reader, multi_devices, num_places=None, drop_last=True)
+decorate_reader(reader, multi_devices, num_places=None, drop_last=True)
+'''''''''
 
 将输入数据转换成reader返回的多个mini-batches。每个mini-batch分别送入各设备中。
 
-参数：
+**参数**
+
     - **reader** (function) – reader是可以生成数据的函数。
     - **multi_devices** (bool) – 是否用多个设备。
     - **num_places** (int) – 如果multi_devices是True, 你可以指定GPU的使用数量, 如果multi_devices是None, 会使用当前机器的所有GPU ，默认值None。
     - **drop_last** (bool) – 如果最后一个batch的大小小于batch_size，选择是否删除最后一个batch，默认值True。
 
-返回： 转换结果
+**返回**
+ 转换结果
 
-返回类型： dict
+**返回类型**
+ dict
 
-抛出异常：     ``ValueError`` – 如果drop_last为False并且数据batch和设备数目不匹配。
+**抛出异常**
+     ``ValueError`` – 如果drop_last为False并且数据batch和设备数目不匹配。
 
 **代码示例**
 

doc/fluid/api_cn/data_cn/data_reader_cn/Reader_cn.rst

@@ -12,7 +12,7 @@ Reader
 
 
 Data Reader Interface
-======================================
+::::::::::::
 
 的确，data reader不必是读取和生成数据项的函数，它可以是任何不带参数的函数来创建一个iterable（任何东西都可以被用于 ``for x in iterable`` ):
 
@@ -44,57 +44,67 @@ Data Reader Interface
                 yield numpy.random.uniform(-1, 1, size=width*height), label
         return reader
 
+方法
+:::::::::
 
-.. py:function::  paddle.reader.buffered(reader, size)
-
+paddle.reader.buffered(reader, size)
+'''''''''
 创建缓冲数据读取器。
 
 缓冲数据reader将读取数据条目并将其保存到缓冲区中。只要缓冲区不为空，就将继续从缓冲数据读取器读取数据。
 
-参数：
+**参数**
+
     - **reader** (callable) - 要读取的数据读取器
     - **size** (int) - 最大缓冲
 
 
-返回：缓冲数据的读取器
+**返回**
+缓冲数据的读取器
 
 
-.. py:function:: paddle.reader.chain(*readers)
+paddle.reader.chain(*readers)
+'''''''''
 
 **注意：paddle.reader.chain是paddle.fluid.io.chain的别名，推荐使用paddle.fluid.io.chain。**
 
 详见 :ref:`cn_api_fluid_io_chain` 接口的使用文档。
 
 
-.. py:function:: paddle.reader.shuffle(reader, buf_size)
-
+paddle.reader.shuffle(reader, buf_size)
+'''''''''
 **注意：paddle.reader.shuffle是paddle.fluid.io.shuffle的别名，推荐使用paddle.fluid.io.shuffle。**
 
 详见 :ref:`cn_api_fluid_io_shuffle` 接口的使用文档。
 
-.. py:function:: paddle.reader.firstn(reader, n)
+paddle.reader.firstn(reader, n)
+'''''''''
 
 **注意：paddle.reader.firstn是paddle.fluid.io.firstn的别名，推荐使用paddle.fluid.io.firstn。**
 
 详见 :ref:`cn_api_fluid_io_firstn` 接口的使用文档。
 
-.. py:function:: paddle.reader.xmap_readers(mapper, reader, process_num, buffer_size, order=False)
-
+paddle.reader.xmap_readers(mapper, reader, process_num, buffer_size, order=False)
+'''''''''
 通过多线程方式，通过用户自定义的映射器mapper来映射reader返回的样本（到输出队列）。
 
-参数：
+**参数**
+
     - **mapper** （callable） - 一种映射reader数据的函数。
     - **reader** （callable） - 产生数据的reader。
     - **process_num** （int） - 用于处理样本的线程数目。
     - **buffer_size** （int） - 存有待读取数据的队列的大小。
     - **order** （bool） - 是否保持原始reader的数据顺序。 默认为False。
 
-返回：一个将原数据进行映射后的decorated reader。
+**返回**
+一个将原数据进行映射后的decorated reader。
 
-返回类型： callable
+**返回类型**
 
-.. py:class:: paddle.reader.PipeReader(command, bufsize=8192, file_type='plain')
+ callable
 
+paddle.reader.PipeReader(command, bufsize=8192, file_type='plain')
+'''''''''
 
 PipeReader通过流从一个命令中读取数据，将它的stdout放到管道缓冲区中，并将其重定向到解析器进行解析，然后根据需要的格式生成数据。
 
@@ -112,22 +122,26 @@ PipeReader通过流从一个命令中读取数据，将它的stdout放到管道
                 sample = l.split(" ")
                 yield sample
 
+get_line(cut_lines=True, line_break='\n')
+'''''''''
 
-.. py:method:: get_line(cut_lines=True, line_break='\n')
 
+**参数**
 
-参数：
     - **cut_lines** （bool） - 将缓冲区分行。
     - **line_break** （string） - 文件中的行分割符，比如 ‘\\n’ 或者 ‘\\r’。
 
 
-返回：一行或者一段缓冲区。
+**返回**
+一行或者一段缓冲区。
 
-返回类型： string
+**返回类型**
+ string
 
 
 
-.. py:function:: paddle.reader.multiprocess_reader(readers, use_pipe=True, queue_size=1000)
+paddle.reader.multiprocess_reader(readers, use_pipe=True, queue_size=1000)
+'''''''''
 
 多进程reader使用python多进程从reader中读取数据，然后使用multi process.queue或multi process.pipe合并所有数据。进程号等于输入reader的编号，每个进程调用一个reader。
 
@@ -147,15 +161,18 @@ multiprocess.queue需要/dev/shm的rw访问权限，某些平台不支持。
 
 
 
-.. py:class:: paddle.reader.Fake
+paddle.reader.Fake
+'''''''''
 
 Fakereader将缓存它读取的第一个数据，并将其输出data_num次。它用于缓存来自真实reader的数据，并将其用于速度测试。
 
-参数：
+**参数**
+
     - **reader** – 原始读取器。
     - **data_num** – reader产生数据的次数 。
 
-返回： 一个Fake读取器
+**返回**
+ 一个Fake读取器
 
 
 **代码示例**
@@ -168,4 +185,3 @@ Fakereader将缓存它读取的第一个数据，并将其输出data_num次。
 
     fake_reader = Fake()(reader, 100)
 
-

doc/fluid/api_cn/data_cn/dataset_cn/Conll05_cn.rst

@@ -5,27 +5,28 @@ Conll05
 
 Conll05数据集。Paddle深度学习基础中的语义角色标注文档使用这个数据集为例。因为Conll05数据集不是免费公开的，所以默认下载的url是Conll05的测试集（它是公开的）。用户可以将url和md5更改为其Conll数据集。并采用基于维基百科语料库的预训练词向量模型对SRL模型进行初始化。
 
+方法
+:::::::::
 
-.. py:function:: paddle.dataset.conll05.get_dict()
-
+paddle.dataset.conll05.get_dict()
+'''''''''
 获取维基百科语料库的单词、动词和标签字典。
 
 
-.. py:function:: paddle.dataset.conll05.get_embedding()
-
+paddle.dataset.conll05.get_embedding()
+'''''''''
 获取基于维基百科语料库的训练词向量。
 
 
 
-.. py:function:: paddle.dataset.conll05.test()
-
+paddle.dataset.conll05.test()
+'''''''''
 Conll05测试数据集的creator。
 
 因为训练数据集不是免费公开的，所以用测试数据集进行训练。它返回一个reader creator，reader中的每个样本都有九个特征，包括句子序列、谓词、谓词上下文、谓词上下文标记和标记序列。
 
-返回： 训练数据集的reader creator
-
-返回类型：callable
-
-
+**返回**
+ 训练数据集的reader creator
 
+**返回类型**
+callable

doc/fluid/api_cn/data_cn/dataset_cn/cifar_cn.rst

@@ -13,57 +13,74 @@ cifar-100数据集与cifar-10类似，只是它有100个类，每个类包含600
 
 
 
-.. py:function:: paddle.dataset.cifar.train100()
+方法
+::::::::::::
+paddle.dataset.cifar.train100()
+'''''''''
 
 CIFAR-100训练数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
 
-返回： 训练数据集的reader creator。
+**返回**
+ 训练数据集的reader creator。
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.cifar.test100()
+paddle.dataset.cifar.test100()
+'''''''''
 
 CIFAR-100测试数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
 
-返回： 测试数据集的reader creator
+**返回**
+ 测试数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.cifar.train10(cycle=False)
+paddle.dataset.cifar.train10(cycle=False)
+'''''''''
 
 CIFAR-10训练数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
 
-参数：
+**参数**
+
     - **cycle** (bool) – 是否循环使用数据集
 
-返回： 训练数据集的reader creator
+**返回**
+ 训练数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.cifar.test10(cycle=False)
+paddle.dataset.cifar.test10(cycle=False)
+'''''''''
 
 CIFAR-10测试数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
 
-参数：
+**参数**
+
     - **cycle** (bool) – 是否循环使用数据集
 
-返回： 测试数据集的reader creator
+**返回**
+ 测试数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.cifar.convert(path)
+paddle.dataset.cifar.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 

doc/fluid/api_cn/data_cn/dataset_cn/imdb_cn.rst

@@ -8,12 +8,16 @@ IMDB数据集。
 此模块将从 http://ai.stanford.edu/%7Eamaas/data/sentiment/aclImdb_v1.tar.gz 下载数据集。这个数据集包含了25000条训练用电影评论数据，25000条测试用评论数据，且这些评论带有明显情感倾向。此外，该模块还提供了用于构建词典的API。
 
 
-.. py:function:: paddle.dataset.imdb.build_dict(pattern, cutoff)
+方法
+::::::::::::
+paddle.dataset.imdb.build_dict(pattern, cutoff)
+'''''''''
 
 从语料库构建一个单词字典，词典的键是word，值是这些单词从0开始的ID。
 
 
-.. py:function:: paddle.dataset.imdb.train(word_idx)
+paddle.dataset.imdb.train(word_idx)
+'''''''''
 
 IMDB训练数据集的creator。
 
@@ -21,29 +25,37 @@ IMDB训练数据集的creator。
 它返回一个reader creator, reader中的每个样本的是一个从0开始的ID序列，标签范围是[0，1]。
 
 
-参数：
+**参数**
+
     - **word_idx** (dict) – 词典
 
-返回： 训练数据集的reader creator
+**返回**
+ 训练数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.imdb.test(word_idx)
+paddle.dataset.imdb.test(word_idx)
+'''''''''
 
 IMDB测试数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的是一个从0开始的ID序列，标签范围是[0，1]。
 
-参数：
+**参数**
+
     - **word_idx** (dict) – 词典
 
-返回： 训练数据集的reader creator
+**返回**
+ 训练数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.imdb.convert(path)
+paddle.dataset.imdb.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 

doc/fluid/api_cn/data_cn/dataset_cn/imikolov_cn.rst

@@ -7,42 +7,54 @@ imikolov的简化版数据集。
 
 此模块将从 http://www.fit.vutbr.cz/~imikolov/rnnlm/ 下载数据集，并将训练集和测试集解析为paddle reader creator。
 
-.. py:function:: paddle.dataset.imikolov.build_dict(min_word_freq=50)
+方法
+::::::::::::
+paddle.dataset.imikolov.build_dict(min_word_freq=50)
+'''''''''
 
 从语料库构建一个单词字典，字典的键是word，值是这些单词从0开始的ID。
 
-.. py:function:: paddle.dataset.imikolov.train(word_idx, n, data_type=1)
+paddle.dataset.imikolov.train(word_idx, n, data_type=1)
+'''''''''
 
 imikolov训练数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的是一个单词ID元组。
 
-参数：
+**参数**
+
     - **word_idx** (dict) – 词典
     - **n** (int) – 如果类型是ngram，表示滑窗大小；否则表示序列最大长度
     - **data_type** (数据类型的成员变量(NGRAM 或 SEQ)) – 数据类型 (ngram 或 sequence)
 
-返回： 训练数据集的reader creator
+**返回**
+ 训练数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
-.. py:function::paddle.dataset.imikolov.test(word_idx, n, data_type=1)
+paddle.dataset.imikolov.test(word_idx, n, data_type=1)
+'''''''''
 
 imikolov测试数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的是一个单词ID元组。
 
-参数：
+**参数**
+
     - **word_idx** (dict) – 词典
     - **n** (int) – 如果类型是ngram，表示滑窗大小；否则表示序列最大长度
     - **data_type** (数据类型的成员变量(NGRAM 或 SEQ)) – 数据类型 (ngram 或 sequence)
 
-返回： 测试数据集的reader creator
+**返回**
+ 测试数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
-.. py:function:: paddle.dataset.imikolov.convert(path)
+paddle.dataset.imikolov.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 

doc/fluid/api_cn/data_cn/dataset_cn/mnist_cn.rst

@@ -9,31 +9,40 @@ MNIST数据集。
 
 
 
-.. py:function:: paddle.dataset.mnist.train()
+方法
+::::::::::::
+paddle.dataset.mnist.train()
+'''''''''
 
 MNIST训练数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的图像像素范围是[-1，1]，标签范围是[0，9]。
 
-返回： 训练数据的reader creator
+**返回**
+ 训练数据的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
 
-.. py:function:: paddle.dataset.mnist.test()
+paddle.dataset.mnist.test()
+'''''''''
 
 MNIST测试数据集的creator。
 
 它返回一个reader creator, reader中的每个样本的图像像素范围是[-1，1]，标签范围是[0，9]。
 
-返回： 测试数据集的reader creator
+**返回**
+ 测试数据集的reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
 
-.. py:function:: paddle.dataset.mnist.convert(path)
+paddle.dataset.mnist.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 

doc/fluid/api_cn/data_cn/dataset_cn/movielens_cn.rst

@@ -9,47 +9,59 @@ Movielens 1-M数据集。
 Movielens 1-M数据集是由GroupLens Research采集的6000个用户对4000个电影的的100万个评级。 该模块将从 http://files.grouplens.org/datasets/movielens/ml-1m.zip 下载Movielens 1-M数据集，并将训练集和测试集解析为paddle reader creator。
 
 
-.. py:function:: paddle.dataset.movielens.get_movie_title_dict()
+方法
+::::::::::::
+paddle.dataset.movielens.get_movie_title_dict()
+'''''''''
 
 获取电影标题词典。
 
-.. py:function:: paddle.dataset.movielens.max_movie_id()
+paddle.dataset.movielens.max_movie_id()
+'''''''''
 
 获取电影ID的最大值。
 
 
-.. py:function:: paddle.dataset.movielens.max_user_id()
+paddle.dataset.movielens.max_user_id()
+'''''''''
 
 获取用户ID的最大值。
 
 
-.. py:function:: paddle.dataset.movielens.max_job_id()
+paddle.dataset.movielens.max_job_id()
+'''''''''
 
 获取职业ID的最大值。
 
 
-.. py:function:: paddle.dataset.movielens.movie_categories()
+paddle.dataset.movielens.movie_categories()
+'''''''''
 
 获取电影类别词典。
 
-.. py:function:: paddle.dataset.movielens.user_info()
+paddle.dataset.movielens.user_info()
+'''''''''
 
 获取用户信息词典。
 
-.. py:function:: paddle.dataset.movielens.movie_info()
+paddle.dataset.movielens.movie_info()
+'''''''''
 
 获取电影信息词典。
 
-.. py:function:: paddle.dataset.movielens.convert(path)
+paddle.dataset.movielens.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 
-.. py:class:: paddle.dataset.movielens.MovieInfo(index, categories, title)
+paddle.dataset.movielens.MovieInfo(index, categories, title)
+'''''''''
 
 电影ID，标题和类别信息存储在MovieInfo中。
 
 
-.. py:class:: paddle.dataset.movielens.UserInfo(index, gender, age, job_id)
+paddle.dataset.movielens.UserInfo(index, gender, age, job_id)
+'''''''''
 
 用户ID，性别，年龄和工作信息存储在UserInfo中。
 

doc/fluid/api_cn/data_cn/dataset_cn/sentiment_cn.rst

@@ -6,21 +6,28 @@ sentiment
 脚本获取并预处理由NLTK提供的movie_reviews数据集。
 
 
-.. py:function:: paddle.dataset.sentiment.get_word_dict()
+方法
+::::::::::::
+paddle.dataset.sentiment.get_word_dict()
+'''''''''
 
 按照样本中出现的单词的频率对单词进行排序。
 
-返回： words_freq_sorted
+**返回**
+ words_freq_sorted
 
-.. py:function:: paddle.dataset.sentiment.train()
+paddle.dataset.sentiment.train()
+'''''''''
 
 默认的训练集reader creator。
 
-.. py:function:: paddle.dataset.sentiment.test()
+paddle.dataset.sentiment.test()
+'''''''''
 
 默认的测试集reader creator。
 
-.. py:function:: paddle.dataset.sentiment.convert(path)
+paddle.dataset.sentiment.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 

doc/fluid/api_cn/data_cn/dataset_cn/uci_housing_cn.rst

@@ -11,19 +11,25 @@ UCI Housing数据集。
 
 
 
-.. py:function:: paddle.dataset.uci_housing.train()
+方法
+::::::::::::
+paddle.dataset.uci_housing.train()
+'''''''''
 
 UCI_HOUSING训练集creator。
 
 它返回一个reader creator，reader中的每个样本都是正则化和价格编号后的特征。
 
-返回：训练集reader creator
+**返回**
+训练集reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
 
-.. py:function:: paddle.dataset.uci_housing.test()
+paddle.dataset.uci_housing.test()
+'''''''''
 
 
 UCI_HOUSING测试集creator。
@@ -31,9 +37,11 @@ UCI_HOUSING测试集creator。
 它返回一个reader creator，reader中的每个样本都是正则化和价格编号后的特征。
 
 
-返回：测试集reader creator
+**返回**
+测试集reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
 

doc/fluid/api_cn/data_cn/dataset_cn/wmt14_cn.rst

@@ -6,33 +6,42 @@ wmt14
 WMT14数据集。 原始WMT14数据集太大，所以提供了一组小数据集。 该模块将从 http://paddlepaddle.cdn.bcebos.com/demo/wmt_shrinked_data/wmt14.tgz 下载数据集，并将训练集和测试集解析为paddle reader creator。
 
 
-.. py:function:: paddle.dataset.wmt14.train(dict_size)
+方法
+::::::::::::
+paddle.dataset.wmt14.train(dict_size)
+'''''''''
 
 WMT14训练集creator。
 
 它返回一个reader creator，reader中的每个样本都是源语言单词ID序列，目标语言单词ID序列和下一个单词ID序列。
 
-返回：训练集reader creator
+**返回**
+训练集reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
 
-.. py:function:: paddle.dataset.wmt14.test(dict_size)
+paddle.dataset.wmt14.test(dict_size)
+'''''''''
 
 
 WMT14测试集creator。
 
 它返回一个reader creator，reader中的每个样本都是源语言单词ID序列，目标语言单词ID序列和下一个单词ID序列。
 
-返回：测试集reader creator
+**返回**
+测试集reader creator
 
-返回类型：callable
+**返回类型**
+callable
 
 
 
 
-.. py:function:: paddle.dataset.wmt14.convert(path)
+paddle.dataset.wmt14.convert(path)
+'''''''''
 
 将数据集转换为recordio格式。
 

doc/fluid/api_cn/data_cn/dataset_cn/wmt16_cn.rst

@@ -10,7 +10,10 @@ ACL2016多模式机器翻译。 有关更多详细信息，请访问此网站：
 @article{elliott-EtAl:2016:VL16, author = {{Elliott}, D. and {Frank}, S. and {Sima”an}, K. and {Specia}, L.}, title = {Multi30K: Multilingual English-German Image Descriptions}, booktitle = {Proceedings of the 6th Workshop on Vision and Language}, year = {2016}, pages = {70–74}, year = 2016
 }
 
-.. py:function:: paddle.dataset.wmt16.train(src_dict_size, trg_dict_size, src_lang='en')
+方法
+::::::::::::
+paddle.dataset.wmt16.train(src_dict_size, trg_dict_size, src_lang='en')
+'''''''''
 
 WMT16训练集reader（读取器）。
 
@@ -20,18 +23,22 @@ WMT16训练集reader（读取器）。
 
 paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的tokenized版本： https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl
 
-参数：
+**参数**
+
     - **src_dict_size** (int) – 源语言词典的大小。三个特殊标记将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
     - **trg_dict_size**  (int) – 目标语言字典的大小。三个特殊标记将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
     - **src_lang**  (string) – 一个字符串，指示哪种语言是源语言。 可用选项包括：英语为“en”，德国为“de”。
 
-返回: 读训练集数据的reader
+**返回**
+ 读训练集数据的reader
 
-返回类型: callable
+**返回类型**
+ callable
 
 
 
-.. py:function:: paddle.dataset.wmt16.test(src_dict_size, trg_dict_size, src_lang='en')
+paddle.dataset.wmt16.test(src_dict_size, trg_dict_size, src_lang='en')
+'''''''''
 
 
 WMT16测试(test)集reader。
@@ -43,18 +50,22 @@ WMT16测试(test)集reader。
 paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的tokenized版本： https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl
 
 
-参数：
+**参数**
+
     - **src_dict_size** (int) – 源语言词典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
     - **trg_dict_size**  (int) – 目标语言字典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
     - **src_lang**  (string) – 一个字符串，指示哪种语言是源语言。 可用选项包括：英语为“en”，德国为“de”。
 
 
-返回: 读测试集数据的reader
+**返回**
+ 读测试集数据的reader
 
-返回类型: callable
+**返回类型**
+ callable
 
 
-.. py:function:: paddle.dataset.wmt16.validation(src_dict_size, trg_dict_size, src_lang='en')
+paddle.dataset.wmt16.validation(src_dict_size, trg_dict_size, src_lang='en')
+'''''''''
 
 WMT16验证(validation)集reader。
 
@@ -66,15 +77,18 @@ paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的toke
 
 
 
-参数：
+**参数**
+
     - **src_dict_size** (int) – 源语言词典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
     - **trg_dict_size**  (int) – 目标语言字典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
     - **src_lang**  (string) – 一个字符串，指示哪种语言是源语言。 可用选项包括：英语为“en”，德国为“de”。
 
 
-返回: 读集数据的reader
+**返回**
+ 读集数据的reader
 
-返回类型: callable
+**返回类型**
+ callable
 
 
 
@@ -82,30 +96,36 @@ paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的toke
 
 
 
-.. py:function:: paddle.dataset.wmt16.get_dict(lang, dict_size, reverse=False)
+paddle.dataset.wmt16.get_dict(lang, dict_size, reverse=False)
+'''''''''
 
 
 返回指定语言的词典(word dictionary)。
 
 
-参数：
+**参数**
+
     - **lang** （string） - 表示哪种语言是源语言的字符串。 可用选项包括：英语为“en”，德国为“de”。
     - **dict_size** （int） - 指定语言字典的大小。
     - **reverse** （bool） - 如果reverse设置为False，则返回的python字典将使用word作为键并使用index作为值。 如果reverse设置为True，则返回的python字典将使用index作为键，将word作为值。
 
-返回：特定语言的单词词典。
+**返回**
+特定语言的单词词典。
 
-返回类型： dict
+**返回类型**
+ dict
 
 
 
 
-.. py:function:: paddle.dataset.wmt16.fetch()
+paddle.dataset.wmt16.fetch()
+'''''''''
 
 下载完整的数据集。
 
 
-.. py:function:: paddle.dataset.wmt16.convert(path, src_dict_size, trg_dict_size, src_lang)
+paddle.dataset.wmt16.convert(path, src_dict_size, trg_dict_size, src_lang)
+'''''''''
 
 
 将数据集转换为recordio格式。

doc/fluid/api_cn/dataset_cn/DatasetFactory_cn.rst

-.. _cn_api_fluid_dataset_DatasetFactory:
-
-DatasetFactory
--------------------------------
-
-.. py:class:: paddle.fluid.dataset.DatasetFactory
-
-DatasetFactory是一个按数据集名称创建数据集的 "工厂"，可以创建“QueueDataset”，“InMemoryDataset”或“FileInstantDataset”，默认为“QueueDataset”。
-
-
-**代码示例**
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-
-.. py:method:: create_dataset(datafeed_class='QueueDataset')
-
-创建“QueueDataset”，“InMemoryDataset” 或 “FileInstantDataset”，默认为“QueueDataset”。
-
-
-参数：
-    - **datafeed_class** (str) – datafeed类名，为QueueDataset或InMemoryDataset。默认为QueueDataset。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-
-
-
+.. _cn_api_fluid_dataset_DatasetFactory:
+
+DatasetFactory
+-------------------------------
+
+.. py:class:: paddle.fluid.dataset.DatasetFactory
+
+DatasetFactory是一个按数据集名称创建数据集的 "工厂"，可以创建“QueueDataset”，“InMemoryDataset”或“FileInstantDataset”，默认为“QueueDataset”。
+
+
+代码示例
+::::::::::::
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+
+方法
+::::::::::::
+
+create_dataset(datafeed_class='QueueDataset')
+''''''''''''
+
+创建“QueueDataset”，“InMemoryDataset” 或 “FileInstantDataset”，默认为“QueueDataset”。
+
+
+**参数**
+
+    - **datafeed_class** (str) – datafeed类名，为QueueDataset或InMemoryDataset。默认为QueueDataset。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+
+
+

doc/fluid/api_cn/dataset_cn/InMemoryDataset_cn.rst

-.. _cn_api_fluid_dataset_InMemoryDataset:
-
-InMemoryDataset
--------------------------------
-
-.. py:class:: paddle.fluid.dataset.InMemoryDataset
-
-InMemoryDataset会向内存中加载数据并在训练前缓冲数据。此类由DatasetFactory创建。
-
-**代码示例**:
-
-.. code-block:: python
-
-    dataset = paddle.fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
-
-.. py:method:: set_queue_num(queue_num)
-
-设置 ``Dataset`` 输出队列数量，训练进程会从队列中获取数据。
-
-参数：
-    - **queue_num** (int) - dataset输出队列数量
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    dataset.set_queue_num(12)
-
-.. py:method:: set_fleet_send_batch_size(fleet_send_batch_size)
-
-设置发送batch的大小
-
-参数:
-    - **fleet_send_batch_size** (int) - 设置发送batch的大小。
-
-**代码示例**
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    dataset.set_fleet_send_batch_size(800)
-
-.. py:method:: set_merge_by_lineid(var_list, erase_duplicate_feas=True, min_merge_size=2, keep_unmerged-ins=True)
-
-通过样本id来设置合并，一些线id的实例将会在shuffle之后进行合并，你应该在一个data生成器里面解析样本id。
-
-参数:
-    - **var_list** (list) - 可以被合并的特征列表，其中的每一个元素都是一个 ``Variable`` 。一些类特征我们通常不把它们合并为同样的样本id，所以用户应当指定哪个类特征可以被合并。
-    - **erase_duplicate_feas** (bool) - 合并的时候是否删除重复的特征值。默认为True。
-    - **min_merge_size** (int) - 合并的最小数量。默认为2。
-    - **keep_unmerged_ins** (bool) - 是否保留没有合并的样本，比如有着独特id的样本，或者重复id的数量小于 ``min_merge_size`` 的样本。
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    dataset.set_merge_by_lineid()
-
-.. py:method:: load_into_memory()
-
-向内存中加载数据。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.load_into_memory()
-
-.. py:method:: preload_into_memory()
-
-向内存中以异步模式加载数据。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.preload_into_memory()
-    dataset.wait_preload_done()
-
-.. py:method:: wait_preload_done()
-
-等待 ``preload_into_memory`` 完成。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.preload_into_memory()
-    dataset.wait_preload_done()
-
-.. py:method:: local_shuffle()
-
-局域shuffle。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.load_into_memory()
-    dataset.local_shuffle()
-
-
-.. py:method:: global_shuffle(fleet=None)
-
-全局shuffle。
-
-只能用在分布式模式（单机多进程或多机多进程）中。您如果在分布式模式中运行，应当传递fleet而非None。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.load_into_memory()
-    dataset.global_shuffle(fleet)
-
-参数：
-    - **fleet** (Fleet) – fleet单例。默认为None。
-
-
-.. py:method:: release_memory()
-
-当数据不再使用时，释放InMemoryDataset内存数据。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.load_into_memory()
-    dataset.global_shuffle(fleet)
-    exe = fluid.Executor(fluid.CPUPlace())
-    exe.run(fluid.default_startup_program())
-    exe.train_from_dataset(fluid.default_main_program(), dataset)
-    dataset.release_memory()
-
-.. py:method:: get_memory_data_size(fleet=None)
-
-用户可以调用此函数以了解加载进内存后所有workers中的样本数量。
-
-.. note::
-    该函数可能会导致性能不佳，因为它具有barrier。
-
-参数：
-    - **fleet** (Fleet) – fleet对象。
-
-返回：内存数据的大小。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.load_into_memory()
-    print dataset.get_memory_data_size(fleet)
-
-
-.. py:method:: get_shuffle_data_size(fleet=None)
-
-获取shuffle数据大小，用户可以调用此函数以了解局域/全局shuffle后所有workers中的样本数量。
-
-.. note::
-    该函数可能会导致局域shuffle性能不佳，因为它具有barrier。但其不影响局域shuffle。
-
-参数：
-    - **fleet** (Fleet) – fleet对象。
-
-返回：shuffle数据的大小。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
-    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
-    filelist = ["a.txt", "b.txt"]
-    dataset.set_filelist(filelist)
-    dataset.load_into_memory()
-    dataset.global_shuffle(fleet)
-    print dataset.get_shuffle_data_size(fleet)
-
-
-.. py:method:: set_batch_size(batch_size)
-
-设置batch size。在训练期间生效。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_batch_size(128)
-
-参数：
-    - **batch_size** (int) - batch size
-
-.. py:method:: set_fea_eval(record_candidate_size, fea_eval=True)
-
-设置特征打乱特征验证模式，来修正特征level的重要性， 特征打乱需要 ``fea_eval`` 被设置为True。
-
-参数：
-    - **record_candidate_size** (int) - 打乱一个特征的候选实例大小
-    - **fea_eval** (bool) - 是否设置特征验证模式来打乱特征，默认为True。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
-    dataset.set_fea_eval(1000000, True)
-
-.. py:method:: desc()
-
-为 ``DataFeedDesc`` 返回一个缓存信息。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    print(dataset.desc())
-
-返回：一个字符串信息
-
-.. py:method:: set_filelist(filelist)
-
-在当前的worker中设置文件列表。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_filelist(["a.txt", "b.txt"])
-
-参数：
-    - **filelist** (list) - 文件列表
-
-.. py:method:: set_hdfs_config(fs_name, fs_ugi)
-
-设置hdfs配置：fs名称与ugi。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_hdfs_config("my_fs_name", "my_fs_ugi")
-
-参数：
-    - **fs_name** (str) - fs名称
-    - **fs_ugi** (str) - fs ugi
-
-.. py:method:: set_pipe_command(pipe_coommand)
-
-在当前的 ``dataset`` 中设置pipe命令。pipe命令只能使用UNIX的pipe命令
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_pipe_command("python my_script.py")
-
-参数：
-    - **pipe_command** (str) - pipe命令
-
-.. py:method:: set_thread(thread_num)
-
-设置进程数量，等于readers的数量。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_thread(12)
-
-参数：
-    - **thread_num** (int) - 进程数量
-
-.. py:method:: set_use_var(var_list)
-
-设置将要使用的 ``Variable`` 。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_use_var([data, label])
-
-参数：
-    - **var_list** (list) - variable 列表
-
-.. py:method:: slots_shuffle(slots)
-
-该方法是在特征层次上的一个打乱方法，经常被用在有着较大缩放率实例的稀疏矩阵上，为了比较metric，比如auc，在一个或者多个有着baseline的特征上做特征打乱来验证特征level的重要性。
-
-参数：
-    - **slots** (list[string]) - 要打乱特征的集合
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
-    dataset.set_merge_by_lineid()
-    #支持slot 0
-    dataset.slots_shuffle([‘0’])
-
-
-
+.. _cn_api_fluid_dataset_InMemoryDataset:
+
+InMemoryDataset
+-------------------------------
+
+.. py:class:: paddle.fluid.dataset.InMemoryDataset
+
+InMemoryDataset会向内存中加载数据并在训练前缓冲数据。此类由DatasetFactory创建。
+
+代码示例
+::::::::::::
+
+.. code-block:: python
+
+    dataset = paddle.fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
+
+方法
+::::::::::::
+
+set_queue_num(queue_num)
+'''''''''
+
+设置 ``Dataset`` 输出队列数量，训练进程会从队列中获取数据。
+
+**参数**
+
+    - **queue_num** (int) - dataset输出队列数量
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    dataset.set_queue_num(12)
+
+set_fleet_send_batch_size(fleet_send_batch_size)
+'''''''''
+
+设置发送batch的大小
+
+**参数**
+
+    - **fleet_send_batch_size** (int) - 设置发送batch的大小。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    dataset.set_fleet_send_batch_size(800)
+
+set_merge_by_lineid(var_list, erase_duplicate_feas=True, min_merge_size=2, keep_unmerged-ins=True)
+'''''''''
+
+通过样本id来设置合并，一些线id的实例将会在shuffle之后进行合并，你应该在一个data生成器里面解析样本id。
+
+**参数**
+
+    - **var_list** (list) - 可以被合并的特征列表，其中的每一个元素都是一个 ``Variable`` 。一些类特征我们通常不把它们合并为同样的样本id，所以用户应当指定哪个类特征可以被合并。
+    - **erase_duplicate_feas** (bool) - 合并的时候是否删除重复的特征值。默认为True。
+    - **min_merge_size** (int) - 合并的最小数量。默认为2。
+    - **keep_unmerged_ins** (bool) - 是否保留没有合并的样本，比如有着独特id的样本，或者重复id的数量小于 ``min_merge_size`` 的样本。
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    dataset.set_merge_by_lineid()
+
+load_into_memory()
+'''''''''
+
+向内存中加载数据。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.load_into_memory()
+
+preload_into_memory()
+'''''''''
+
+向内存中以异步模式加载数据。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.preload_into_memory()
+    dataset.wait_preload_done()
+
+wait_preload_done()
+'''''''''
+
+等待 ``preload_into_memory`` 完成。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.preload_into_memory()
+    dataset.wait_preload_done()
+
+local_shuffle()
+'''''''''
+
+局域shuffle。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.load_into_memory()
+    dataset.local_shuffle()
+
+
+global_shuffle(fleet=None)
+'''''''''
+
+全局shuffle。
+
+只能用在分布式模式（单机多进程或多机多进程）中。您如果在分布式模式中运行，应当传递fleet而非None。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.load_into_memory()
+    dataset.global_shuffle(fleet)
+
+**参数**
+
+    - **fleet** (Fleet) – fleet单例。默认为None。
+
+
+release_memory()
+'''''''''
+
+当数据不再使用时，释放InMemoryDataset内存数据。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.load_into_memory()
+    dataset.global_shuffle(fleet)
+    exe = fluid.Executor(fluid.CPUPlace())
+    exe.run(fluid.default_startup_program())
+    exe.train_from_dataset(fluid.default_main_program(), dataset)
+    dataset.release_memory()
+
+get_memory_data_size(fleet=None)
+'''''''''
+
+用户可以调用此函数以了解加载进内存后所有workers中的样本数量。
+
+.. note::
+    该函数可能会导致性能不佳，因为它具有barrier。
+
+**参数**
+
+    - **fleet** (Fleet) – fleet对象。
+
+**返回**
+内存数据的大小。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.load_into_memory()
+    print dataset.get_memory_data_size(fleet)
+
+
+get_shuffle_data_size(fleet=None)
+'''''''''
+
+获取shuffle数据大小，用户可以调用此函数以了解局域/全局shuffle后所有workers中的样本数量。
+
+.. note::
+    该函数可能会导致局域shuffle性能不佳，因为它具有barrier。但其不影响局域shuffle。
+
+**参数**
+
+    - **fleet** (Fleet) – fleet对象。
+
+**返回**
+shuffle数据的大小。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
+    dataset = fluid.DatasetFactory().create_dataset("InMemoryDataset")
+    filelist = ["a.txt", "b.txt"]
+    dataset.set_filelist(filelist)
+    dataset.load_into_memory()
+    dataset.global_shuffle(fleet)
+    print dataset.get_shuffle_data_size(fleet)
+
+
+set_batch_size(batch_size)
+'''''''''
+
+设置batch size。在训练期间生效。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_batch_size(128)
+
+**参数**
+
+    - **batch_size** (int) - batch size
+
+set_fea_eval(record_candidate_size, fea_eval=True)
+'''''''''
+
+设置特征打乱特征验证模式，来修正特征level的重要性， 特征打乱需要 ``fea_eval`` 被设置为True。
+
+**参数**
+
+    - **record_candidate_size** (int) - 打乱一个特征的候选实例大小
+    - **fea_eval** (bool) - 是否设置特征验证模式来打乱特征，默认为True。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
+    dataset.set_fea_eval(1000000, True)
+
+desc()
+'''''''''
+
+为 ``DataFeedDesc`` 返回一个缓存信息。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    print(dataset.desc())
+
+**返回**
+一个字符串信息
+
+set_filelist(filelist)
+'''''''''
+
+在当前的worker中设置文件列表。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_filelist(["a.txt", "b.txt"])
+
+**参数**
+
+    - **filelist** (list) - 文件列表
+
+set_hdfs_config(fs_name, fs_ugi)
+'''''''''
+
+设置hdfs配置：fs名称与ugi。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_hdfs_config("my_fs_name", "my_fs_ugi")
+
+**参数**
+
+    - **fs_name** (str) - fs名称
+    - **fs_ugi** (str) - fs ugi
+
+set_pipe_command(pipe_coommand)
+'''''''''
+
+在当前的 ``dataset`` 中设置pipe命令。pipe命令只能使用UNIX的pipe命令
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_pipe_command("python my_script.py")
+
+**参数**
+
+    - **pipe_command** (str) - pipe命令
+
+set_thread(thread_num)
+'''''''''
+
+设置进程数量，等于readers的数量。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_thread(12)
+
+**参数**
+
+    - **thread_num** (int) - 进程数量
+
+set_use_var(var_list)
+'''''''''
+
+设置将要使用的 ``Variable`` 。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_use_var([data, label])
+
+**参数**
+
+    - **var_list** (list) - variable 列表
+
+slots_shuffle(slots)
+'''''''''
+
+该方法是在特征层次上的一个打乱方法，经常被用在有着较大缩放率实例的稀疏矩阵上，为了比较metric，比如auc，在一个或者多个有着baseline的特征上做特征打乱来验证特征level的重要性。
+
+**参数**
+
+    - **slots** (list[string]) - 要打乱特征的集合
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
+    dataset.set_merge_by_lineid()
+    #支持slot 0
+    dataset.slots_shuffle([‘0’])
+
+
+

doc/fluid/api_cn/dataset_cn/QueueDataset_cn.rst

-.. _cn_api_fluid_dataset_QueueDataset:
-
-QueueDataset
--------------------------------
-
-.. py:class:: paddle.fluid.dataset.QueueDataset
-
-流式处理数据。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("QueueDataset")
-
-
-
-.. py:method:: local_shuffle()
-
-局域shuffle数据
-
-QueueDataset中不支持局域shuffle，可能抛出NotImplementedError
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset("QueueDataset")
-    dataset.local_shuffle()
-
-
-
-.. py:method:: global_shuffle(fleet=None)
-
-全局shuffle数据
-
-QueueDataset中不支持全局shuffle，可能抛出NotImplementedError
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
-    dataset = fluid.DatasetFactory().create_dataset("QueueDataset")
-    dataset.global_shuffle(fleet)
-
-.. py:method:: desc()
-
-为 ``DataFeedDesc`` 返回一个缓存信息。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    print(dataset.desc())
-
-返回：一个字符串信息
-
-.. py:method:: set_batch_size(batch_size)
-
-设置batch size。在训练期间生效。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_batch_size(128)
-
-参数：
-    - **batch_size** (int) - batch size
-
-.. py:method:: set_fea_eval(record_candidate_size,fea_eval)
-
-参数：
-    - **record_candidate_size** (int) - 打乱一个特征的候选实例大小
-    - **fea_eval** (bool) - 是否设置特征验证模式来打乱特征，默认为True。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
-    dataset.set_fea_eval(1000000, True)
-
-.. py:method:: set_filelist(filelist)
-
-在当前的worker中设置文件列表。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_filelist(["a.txt", "b.txt"])
-
-参数：
-    - **filelist** (list) - 文件列表
-
-.. py:method:: set_hdfs_config(fs_name, fs_ugi)
-
-设置hdfs配置：fs名称与ugi。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_hdfs_config("my_fs_name", "my_fs_ugi")
-
-参数：
-    - **fs_name** (str) - fs名称
-    - **fs_ugi** (str) - fs ugi
-
-.. py:method:: set_pipe_command(pipe_coommand)
-
-在当前的 ``dataset`` 中设置pipe命令。pipe命令只能使用UNIX的pipe命令
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_pipe_command("python my_script.py")
-
-参数：
-    - **pipe_command** (str) - pipe命令
-
-.. py:method:: set_thread(thread_num)
-
-设置进程数量，等于readers的数量。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_thread(12)
-
-参数：
-    - **thread_num** (int) - 进程数量
-
-.. py:method:: set_use_var(var_list)
-
-设置将要使用的 ``Variable`` 。
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_use_var([data, label])
-
-参数：
-    - **var_list** (list) - variable 列表
-
-.. py:method:: slots_shuffle(slots)
-
-该方法是在特征层次上的一个打乱方法，经常被用在有着较大缩放率实例的稀疏矩阵上，为了比较metric，比如auc，在一个或者多个有着baseline的特征上做特征打乱来验证特征level的重要性。
-
-参数：
-    - **slots** (list[string]) - 要打乱特征的集合
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
-    dataset.set_merge_by_lineid()
-    #支持slot 0
-    dataset.slots_shuffle([‘0’])
-
+.. _cn_api_fluid_dataset_QueueDataset:
+
+QueueDataset
+-------------------------------
+
+.. py:class:: paddle.fluid.dataset.QueueDataset
+
+流式处理数据。
+
+代码示例
+::::::::::::
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("QueueDataset")
+
+方法
+::::::::::::
+
+local_shuffle()
+'''''''''
+
+局域shuffle数据
+
+QueueDataset中不支持局域shuffle，可能抛出NotImplementedError
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset("QueueDataset")
+    dataset.local_shuffle()
+
+
+
+global_shuffle(fleet=None)
+'''''''''
+
+全局shuffle数据
+
+QueueDataset中不支持全局shuffle，可能抛出NotImplementedError
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    from paddle.fluid.incubate.fleet.parameter_server.pslib import fleet
+    dataset = fluid.DatasetFactory().create_dataset("QueueDataset")
+    dataset.global_shuffle(fleet)
+
+desc()
+'''''''''
+
+为 ``DataFeedDesc`` 返回一个缓存信息。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    print(dataset.desc())
+
+**返回**
+一个字符串信息
+
+set_batch_size(batch_size)
+'''''''''
+
+设置batch size。在训练期间生效。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_batch_size(128)
+
+**参数**
+
+    - **batch_size** (int) - batch size
+
+set_fea_eval(record_candidate_size,fea_eval)
+'''''''''
+
+**参数**
+
+    - **record_candidate_size** (int) - 打乱一个特征的候选实例大小
+    - **fea_eval** (bool) - 是否设置特征验证模式来打乱特征，默认为True。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
+    dataset.set_fea_eval(1000000, True)
+
+set_filelist(filelist)
+'''''''''
+
+在当前的worker中设置文件列表。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_filelist(["a.txt", "b.txt"])
+
+**参数**
+
+    - **filelist** (list) - 文件列表
+
+set_hdfs_config(fs_name, fs_ugi)
+'''''''''
+
+设置hdfs配置：fs名称与ugi。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_hdfs_config("my_fs_name", "my_fs_ugi")
+
+**参数**
+
+    - **fs_name** (str) - fs名称
+    - **fs_ugi** (str) - fs ugi
+
+set_pipe_command(pipe_coommand)
+'''''''''
+
+在当前的 ``dataset`` 中设置pipe命令。pipe命令只能使用UNIX的pipe命令
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_pipe_command("python my_script.py")
+
+**参数**
+
+    - **pipe_command** (str) - pipe命令
+
+set_thread(thread_num)
+'''''''''
+
+设置进程数量，等于readers的数量。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_thread(12)
+
+**参数**
+
+    - **thread_num** (int) - 进程数量
+
+set_use_var(var_list)
+'''''''''
+
+设置将要使用的 ``Variable`` 。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset()
+    dataset.set_use_var([data, label])
+
+**参数**
+
+    - **var_list** (list) - variable 列表
+
+slots_shuffle(slots)
+'''''''''
+
+该方法是在特征层次上的一个打乱方法，经常被用在有着较大缩放率实例的稀疏矩阵上，为了比较metric，比如auc，在一个或者多个有着baseline的特征上做特征打乱来验证特征level的重要性。
+
+**参数**
+
+    - **slots** (list[string]) - 要打乱特征的集合
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    dataset = fluid.DatasetFactory().create_dataset(“InMemoryDataset”)
+    dataset.set_merge_by_lineid()
+    #支持slot 0
+    dataset.slots_shuffle([‘0’])
+

doc/fluid/api_cn/dygraph_cn/BCELoss_cn.rst

@@ -39,13 +39,18 @@ BCELoss
 如果 :attr:`reduction` 是 ``'none'``, 则输出的维度为 [N, *], 与输入input的形状相同。
 如果 :attr:`reduction` 是 ``'mean'`` 或 ``'sum'``, 则输出的维度为 [1]。
 
-参数：
+参数
+::::::::::::
+
   - **weight(Variable, optional)**：- 手动指定每个batch二值交叉熵的权重，如果指定的话，维度必须是一个batch的数据的维度。数据类型是float32, float64。默认是：None。
   - **reduction(str, optional)**：- 指定应用于输出结果的计算方式，可选值有: ``'none'``, ``'mean'``, ``'sum'`` 。默认为 ``'mean'``，计算 `BCELoss` 的均值；设置为 ``'sum'`` 时，计算 `BCELoss` 的总和；设置为 ``'none'`` 时，则返回BCELoss。
 
-返回：返回计算BCELoss的可调用对象。
+返回
+::::::::::::
+返回计算BCELoss的可调用对象。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/BackwardStrategy_cn.rst

@@ -11,9 +11,10 @@ BackwardStrategy
 
 BackwardStrategy是描述动态图反向执行的策略，主要功能是定义动态图反向执行时的不同策略
 
-**属性：**
-
-.. py:attribute:: sort_sum_gradient
+属性
+::::::::::::
+sort_sum_gradient
+'''''''''
 
 是否按照前向执行的逆序加和多个梯度，例如当 x_var（ :ref:`api_guide_Variable` ）作为多个OP（这里以 :ref:`cn_api_fluid_layers_scale` 为例）的输入时，其产生的梯度是否按照前向书写时的
 逆序加和，默认为False

doc/fluid/api_cn/dygraph_cn/BatchNorm_cn.rst

@@ -6,7 +6,6 @@ BatchNorm
 .. py:class:: paddle.fluid.dygraph.BatchNorm(num_channels, act=None, is_test=False, momentum=0.9, epsilon=1e-05, param_attr=None, bias_attr=None, dtype='float32', data_layout='NCHW', in_place=False, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False, use_global_stats=False, trainable_statistics=False)
 
 该接口用于构建 ``BatchNorm`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其中实现了批归一化层（Batch Normalization Layer）的功能，可用作卷积和全连接操作的批归一化函数，根据当前批次数据按通道计算的均值和方差进行归一化。更多详情请参考 : `Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift <https://arxiv.org/pdf/1502.03167.pdf>`_
-
 当use_global_stats = False时，:math:`\mu_{\beta}` 和 :math:`\sigma_{\beta}^{2}` 是minibatch的统计数据。计算公式如下：
 
 .. math::
@@ -34,7 +33,9 @@ BatchNorm
 - :math:`\gamma` : 可训练的比例参数
 - :math:`\beta` : 可训练的偏差参数
 
-参数：
+参数
+::::::::::::
+
     - **num_channels** (int) - 指明输入 ``Tensor`` 的通道数量。
     - **act** (str, 可选) - 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值为None。
     - **is_test** (bool, 可选) - 指示是否在测试阶段，非训练阶段使用训练过程中统计到的全局均值和全局方差。默认值：False。
@@ -51,9 +52,12 @@ BatchNorm
     - **use_global_stats** (bool, 可选) – 指示是否使用全局均值和方差。在预测或测试模式下，将 ``use_global_stats`` 设置为true或将 ``is_test`` 设置为true，这两种行为是等效的。在训练模式中，当设置 ``use_global_stats`` 为True时，在训练期间也将使用全局均值和方差。默认值：False。
     - **trainable_statistics** (bool, 可选) - eval模式下是否计算mean均值和var方差。eval模式下，trainable_statistics为True时，由该批数据计算均值和方差。默认值：False。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/BilinearTensorProduct_cn.rst

@@ -6,7 +6,6 @@ BilinearTensorProduct
 .. py:class:: paddle.fluid.dygraph.BilinearTensorProduct(input1_dim, input2_dim, output_dim, name=None, act=None, param_attr=None, bias_attr=None, dtype="float32")
 
 该接口用于构建 ``BilinearTensorProduct`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。双线性乘积计算式子如下。
-
 .. math::
 
     out_{i} = x * W_{i} * {y^\mathrm{T}}, i=0,1,...,size-1
@@ -20,21 +19,28 @@ BilinearTensorProduct
 - :math:`y^T` ： :math:`y` 的转置
 
 
-参数：
+参数
+::::::::::::
+
     - **input1_dim**  (int) – 第一个输入的维度大小。
     - **input1_dim**  (int) – 第二个输入的维度大小。
     - **output_dim**  (int) – 输出的维度。
     - **name**  (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
     - **act**  (str，可选) – 对输出应用的激励函数。默认值为None。
     - **param_attr**  (ParamAttr) – 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
-    - **bias_attr**  (ParamAttr) – 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr`。
+    - **bias_attr**  (ParamAttr) – 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值为"float32"。
 
-返回：维度为[batch_size, size]的2D Tensor，数据类型与输入数据类型相同。
+返回
+::::::::::::
+维度为[batch_size, size]的2D Tensor，数据类型与输入数据类型相同。
 
-返回类型： Variable
+返回类型
+::::::::::::
+ Variable
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -51,11 +57,13 @@ BilinearTensorProduct
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/Conv2DTranspose_cn.rst

@@ -6,7 +6,6 @@ Conv2DTranspose
 .. py:class:: paddle.fluid.dygraph.Conv2DTranspose(num_channels, num_filters, filter_size, output_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, dtype="float32")
 
 该接口用于构建 ``Conv2DTranspose`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其将在神经网络中构建一个二维卷积转置层（Convlution2D Transpose Layer），其根据输入（input）、滤波器参数（num_filters、filter_size）、步长（stride）、填充（padding）、膨胀系数（dilation）、组数（groups）来计算得到输出特征图。输入和输出是 ``NCHW`` 格式，N是批数据大小，C是特征图个数，H是特征图高度，W是特征图宽度。滤波器的维度是 [M, C, H, W] ，M是输入特征图个数，C是输出特征图个数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入特征图个数除以组数的结果。如果提供了偏移属性和激活函数类型，卷积的结果会和偏移相加，激活函数会作用在最终结果上。转置卷积的计算过程相当于卷积的反向计算，转置卷积又被称为反卷积（但其实并不是真正的反卷积）。详情请参考： `Conv2DTranspose <http://www.matthewzeiler.com/wp-content/uploads/2017/07/cvpr2010.pdf>`_ 。
-
 输入 ``X`` 和输出 ``Out`` 的函数关系如下：
 
 .. math::
@@ -44,7 +43,9 @@ Conv2DTranspose
         
         & W_{out}\in[W'_{out},W'_{out} + strides[1])
 
-参数：
+参数
+::::::::::::
+
     - **num_channels** (int) - 输入图像的通道数。
     - **num_filters** (int) - 滤波器的个数，和输出特征图个数相同。
     - **filter_size** (int|tuple) - 滤波器大小。如果 ``filter_size`` 是一个元组，则必须包含两个整型数，分别表示滤波器高度和宽度。否则，表示滤波器高度和宽度均为 ``filter_size`` 。
@@ -59,9 +60,12 @@ Conv2DTranspose
     - **act** (str, 可选) -  应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值：None。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -76,11 +80,14 @@ Conv2DTranspose
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/Conv2D_cn.rst

@@ -6,7 +6,6 @@ Conv2D
 .. py:class:: paddle.fluid.dygraph.Conv2D(num_channels, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, dtype='float32')
 
 该接口用于构建 ``Conv2D`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其将在神经网络中构建一个二维卷积层（Convolution2D Layer），其根据输入、滤波器参数（num_filters、filter_size）、步长（stride）、填充（padding）、膨胀系数（dilation）、组数（groups）参数来计算得到输出特征图。输入和输出是 ``NCHW`` 格式，N是批数据大小，C是特征图个数，H是特征图高度，W是特征图宽度。滤波器的维度是 [M, C, H, W] ，M是输出特征图个数，C是输入特征图个数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入特征图个数除以组数的结果。如果提供了偏移属性和激活函数类型，卷积的结果会和偏移相加，激活函数会作用在最终结果上。详情请参考： `卷积 <http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/>`_ 。
-
 对每个输入 ``X`` ，有等式：
 
 .. math::
@@ -41,7 +40,9 @@ Conv2D
 
     W_{out} = \frac{\left ( W_{in}+2*paddings[1]-\left ( dilations[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{strides[1]}+1
 
-参数：
+参数
+::::::::::::
+
     - **num_channels** (int) - 输入图像的通道数。
     - **num_fliters** (int) - 滤波器的个数，和输出特征图个数相同。
     - **filter_size** (int|tuple) - 滤波器大小。如果 ``filter_size`` 是一个元组，则必须包含两个整型数，分别表示滤波器高度和宽度。否则，表示滤波器高度和宽度均为 ``filter_size`` 。
@@ -55,12 +56,17 @@ Conv2D
     - **act** (str, 可选) - 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值：None。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。
 
-返回：无
+返回
+::::::::::::
+无
+
+抛出异常
+::::::::::::
 
-抛出异常：
     - ``ValueError`` - 如果 ``use_cudnn`` 不是bool值
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -77,11 +83,14 @@ Conv2D
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/Conv3DTranspose_cn.rst

@@ -8,7 +8,6 @@ Conv3DTranspose
 
 该接口用于构建 ``Conv3DTranspose`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。3D卷积转置层（Convlution3D transpose layer)根据输入（input）、滤波器（filter）和卷积核膨胀（dilations）、步长（stride）、填充来计算输出特征层大小或者通过output_size指定输出特征层大小。输入(Input)和输出(Output)为NCDHW格式。其中 ``N`` 为batch大小， ``C`` 为通道数（channel）, ``D``  为特征深度, ``H`` 为特征高度， ``W`` 为特征宽度。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解卷积转置层细节，请参考下面的说明和 参考文献_ 。如果参数bias_attr不为False, 转置卷积计算会添加偏置项。如果act不为None，则转置卷积计算之后添加相应的激活函数。
 
-
 .. _参考文献: https://arxiv.org/abs/1603.07285
 
 输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
@@ -65,7 +64,9 @@ Conv3DTranspose
     如果指定了output_size， 其可以自动计算滤波器的大小。
 
 
-参数:
+参数
+::::::::::::
+
       - **num_channels** (int) - 输入图像的通道数。
       - **num_filters** (int) - 滤波器（卷积核）的个数，与输出的图片的通道数相同。
       - **filter_size** (int|tuple) - 滤波器大小。如果filter_size是一个元组，则必须包含三个整型数，（filter_size_depth，filter_size_height, filter_size_width）。否则，filter_size_depth = filter_size_height = filter_size_width = filter_size。如果filter_size=None，则必须指定output_size， 其会根据output_size、padding和stride计算出滤波器大小。
@@ -82,9 +83,12 @@ Conv3DTranspose
       - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值为"float32"。
 
 
-返回： 无
+返回
+::::::::::::
+ 无
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 
@@ -103,11 +107,14 @@ Conv3DTranspose
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/Conv3D_cn.rst

@@ -7,7 +7,6 @@ Conv3D
 
 
 该接口用于构建 ``Conv3D`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。3D卷积层（convolution3D layer）根据输入、滤波器（filter）、步长（stride）、填充（padding）、膨胀（dilations）、组数参数计算得到输出。输入和输出是[N, C, D, H, W]的多维tensor，其中N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度。卷积三维（Convlution3D）和卷积二维（Convlution2D）相似，但多了一维深度（depth）。如果提供了bias属性和激活函数类型，bias会添加到卷积（convolution）的结果中相应的激活函数会作用在最终结果上。
-
 对每个输入X，有等式：
 
 .. math::
@@ -41,7 +40,9 @@ Conv3D
     H_{out}&= \frac{(H_{in} + 2 * paddings[1] - (dilations[1] * (H_f - 1) + 1))}{strides[1]} + 1 \\
     W_{out}&= \frac{(W_{in} + 2 * paddings[2] - (dilations[2] * (W_f - 1) + 1))}{strides[2]} + 1
 
-参数：
+参数
+::::::::::::
+
     - **num_channels** (int) - 输入图像的通道数。
     - **num_fliters** (int) - 滤波器（卷积核）的个数。和输出图像通道相同。
     - **filter_size** (int|tuple) - 滤波器大小。如果filter_size是一个元组，则必须包含三个整型数，(filter_size_D, filter_size_H, filter_size_W)。如果filter_size是一个int型，则filter_size_depth = filter_size_height = filter_size_width = filter_size。
@@ -50,15 +51,18 @@ Conv3D
     - **dilation** (int|tuple，可选) - 膨胀（dilation）大小。空洞卷积时会指该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息，根据 `可视化效果图  <https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md>`_ 较好理解。如果膨胀（dialation）为元组，则必须包含两个整型数， (dilation_D, dilation_H, dilation_W)。否则，dilation_D = dilation_H = dilation_W = dilation。默认值为1。
     - **groups** (int，可选) - 三维卷积层（Conv3D Layer）的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=2，输入和滤波器分别根据通道数量平均分为两组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算。默认值为1。
     - **param_attr** (ParamAttr，可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
-    - **bias_attr** (ParamAttr，可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr`。
+    - **bias_attr** (ParamAttr，可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
     - **use_cudnn** （bool，可选） - 是否用cudnn内核，只有安装Paddle GPU版时才有效。默认值为True。
     - **act** (str，可选) - 激活函数类型，如果设为None，则未添加激活函数。默认值为None。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。
 
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**：
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -74,11 +78,14 @@ Conv3D
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/CosineDecay_cn.rst

@@ -20,7 +20,9 @@ CosineDecay
 - :math:`decayed\_learning\_rate` ： 衰减后的学习率。
 式子中各参数详细介绍请看参数说明。
 
-参数：
+参数
+::::::::::::
+
     - **learning_rate** (Variable | float) - 初始学习率。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的float类型。
     - **step_each_epoch** （int） - 遍历一遍训练数据所需的步数。
     - **begin** (int，可选) - 起始步，即以上公式中global_step的初始化值。默认值为0。
@@ -28,7 +30,8 @@ CosineDecay
     - **dtype**  (str，可选) - 初始化学习率变量的数据类型，可以为"float32", "float64"。默认值为"float32"。
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/Dropout_cn.rst

@@ -9,7 +9,9 @@ Dropout
 
 Dropout层可以删除，提高执行效率。
 
-参数：
+参数
+::::::::::::
+
     - **p** (float32，可选) - 输入单元的丢弃概率，即输入单元设置为0的概率。默认值：0.5
     - **seed** (int，可选) - 整型数据，用于创建随机种子。如果该参数设为None，则使用随机种子。注：如果给定一个整型种子，始终丢弃相同的输出单元。训练过程中勿用固定不变的种子。默认值：None。
     - **dropout_implementation** (str，可选) - 丢弃单元的方式，有两种'downgrade_in_infer'和'upscale_in_train'两种选择，默认：'downgrade_in_infer'。具体作用可以参考一下描述。
@@ -32,9 +34,12 @@ Dropout层可以删除，提高执行效率。
 
     - **is_test** (bool，可选) - 标记是否是测试阶段。此标志仅对静态图模式有效。对于动态图模式，请使用 ``eval()`` 接口。默认：False。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**：
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/Embedding_cn.rst

@@ -8,7 +8,6 @@ Embedding
 嵌入层(Embedding Layer)
 
 该接口用于构建 ``Embedding`` 的一个可调用对象，具体用法参照 ``代码示例`` 。其根据input中的id信息从embedding矩阵中查询对应embedding信息，并会根据输入的size (vocab_size, emb_size)和dtype自动构造一个二维embedding矩阵。
-
 输出的Tensor的shape是在输入Tensor shape的最后一维后面添加了emb_size的维度。
 
 注：input中的id必须满足 ``0 =< id < size[0]``，否则程序会抛异常退出。
@@ -51,7 +50,9 @@ Embedding
                     [[0.0,         0.0,         ..., 0.0        ]]]  # padding data
     输入的padding_idx = 0，则对于输入id为0的词，进行padding处理。
 
-参数：
+参数
+::::::::::::
+
     - **size** (tuple|list) - embedding矩阵的维度。必须包含两个元素，第一个元素为vocab_size(词表大小), 第二个为emb_size（embedding层维度）。
     - **is_sparse** (bool) - 是否使用稀疏的更新方式，这个参数只会影响反向的梯度更新的性能，sparse更新速度更快，推荐使用稀疏更新的方式。但某些optimizer不支持sparse更新，比如 :ref:`cn_api_fluid_optimizer_AdadeltaOptimizer` 、 :ref:`cn_api_fluid_optimizer_AdamaxOptimizer` 、 :ref:`cn_api_fluid_optimizer_DecayedAdagradOptimizer` 、 :ref:`cn_api_fluid_optimizer_FtrlOptimizer` 、 :ref:`cn_api_fluid_optimizer_LambOptimizer` 、:ref:`cn_api_fluid_optimizer_LarsMomentumOptimizer` ，此时is_sparse必须为False。默认为False。
     - **is_distributed** (bool) - 是否使用分布式的方式存储embedding矩阵，仅在多机分布式cpu训练中使用。默认为False。
@@ -59,11 +60,16 @@ Embedding
     - **param_attr** (ParamAttr) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。此外，可以通过 ``param_attr`` 参数加载用户自定义或预训练的词向量。只需将本地词向量转为numpy数据格式，且保证本地词向量的shape和embedding的 ``size`` 参数一致，然后使用 :ref:`cn_api_fluid_initializer_NumpyArrayInitializer` 进行初始化，即可实现加载自定义或预训练的词向量。详细使用方法见代码示例2。
     - **dtype** (str|core.VarDesc.VarType) - 输出Tensor或LoDTensor的数据类型，数据类型必须为：float32或float64，默认为float32。
 
-返回：input映射后得到的Embedding Tensor或LoDTensor，数据类型和dtype定义的类型一致。
+返回
+::::::::::::
+input映射后得到的Embedding Tensor或LoDTensor，数据类型和dtype定义的类型一致。
 
-返回类型：Variable
+返回类型
+::::::::::::
+Variable
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/ExponentialDecay_cn.rst

@@ -33,7 +33,9 @@ ExponentialDecay
 - :math:`decayed\_learning\_rate` ： 衰减后的学习率。
 式子中各参数详细介绍请看参数说明。
 
-参数：
+参数
+::::::::::::
+
     - **learning_rate** (Variable|float) - 初始学习率。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的float类型。
     - **decay_steps** (int) - 衰减步数。必须是正整数，该参数确定衰减周期。
     - **decay_rate** (float)- 衰减率。
@@ -42,10 +44,13 @@ ExponentialDecay
     - **step** (int) - 步大小，即以上运算式子中global_step的每次的增量值，使得global_step随着训练的次数递增。默认值为1。
     - **dtype** (str) - 初始化学习率变量的数据类型，可以为"float32", "float64"。 默认值为"float32"。
 
-返回： 无
+返回
+::::::::::::
+ 无
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/GRUUnit_cn.rst

@@ -6,7 +6,6 @@ GRUUnit
 .. py:class:: paddle.fluid.dygraph.GRUUnit(name_scope, size, param_attr=None, bias_attr=None, activation='tanh', gate_activation='sigmoid', origin_mode=False, dtype='float32')
 
 该接口用于构建 ``GRU(Gated Recurrent Unit)`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其用于完成单个时间步内GRU的计算，支持以下两种计算方式：
-
 如果origin_mode为True，则使用的运算公式来自论文
 `Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation <https://arxiv.org/pdf/1406.1078.pdf>`_ 。
 
@@ -29,10 +28,12 @@ GRUUnit
     h_t & = (1-u_t) \odot h_{t-1} + u_t \odot \tilde{h_t}
 
 
-其中， :math:`x_t` 为当前时间步的输入，:math:`h_{t-1}` 为前一时间步的隐状态 ``hidden``； :math:`u_t` 、 :math:`r_t` 、 :math:`\tilde{h_t}` 和 :math:`h_t` 分别代表了GRU单元中update gate（更新门）、reset gate（重置门）、candidate hidden（候选隐状态）和隐状态输出; :math:`\odot` 为逐个元素相乘；
+其中， :math:`x_t` 为当前时间步的输入，:math:`h_{t-1}` 为前一时间步的隐状态 ``hidden`` ； :math:`u_t` 、 :math:`r_t` 、 :math:`\tilde{h_t}` 和 :math:`h_t` 分别代表了GRU单元中update gate（更新门）、reset gate（重置门）、candidate hidden（候选隐状态）和隐状态输出; :math:`\odot` 为逐个元素相乘；
 :math:`W_{uh}, b_u` 、 :math:`W_{rh}, b_r` 和 :math:`W_{ch}, b_c` 分别代表更新门、重置门和候选隐状态在计算时使用的权重矩阵和偏置。在实现上，三个权重矩阵合并为一个维度为 :math:`[D, D \times 3]` 的Tensor存放。
 
-参数:
+参数
+::::::::::::
+
     - **size** (int) – 输入数据的维度大小。
     - **param_attr** (ParamAttr，可选) – 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
     **注意**
@@ -44,10 +45,13 @@ GRUUnit
     - **origin_mode** (bool) – 指明要使用的GRU计算方式，两种计算方式具体差异见公式描述。默认值为False。
     - **dtype** (str，可选) – 该层的数据类型，可以为'float32', 'float64'。默认值为'float32'。
 
-返回： 
+返回
+::::::::::::
+ 
     None.
     
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -70,10 +74,13 @@ GRUUnit
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``

doc/fluid/api_cn/dygraph_cn/GroupNorm_cn.rst

@@ -8,8 +8,9 @@ GroupNorm
 **Group Normalization层**
 
 该接口用于构建 ``GroupNorm`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其中实现了组归一化层的功能。更多详情请参考： `Group Normalization <https://arxiv.org/abs/1803.08494>`_ 。
+参数
+::::::::::::
 
-参数：
     - **channels** (int) - 输入的通道数。
     - **groups** (int) - 从通道中分离出来的 ``group`` 的数目。
     - **epsilon** (float, 可选) - 为防止方差除零，增加一个很小的值。默认值：1e-05。
@@ -19,12 +20,17 @@ GroupNorm
     - **data_layout** (str, 可选) - 只支持“NCHW”(num_batches，channels，height，width)格式。默认值：“NCHW”。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值为"float32"。
 
-返回：无
+返回
+::::::::::::
+无
+
+抛出异常
+::::::::::::
 
-抛出异常：
     - ValueError - 如果 ``data_layout`` 不是“NCHW”格式。
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 

doc/fluid/api_cn/dygraph_cn/InverseTimeDecay_cn.rst

@@ -28,7 +28,9 @@ InverseTimeDecay
 - :math:`decayed\_learning\_rate` ： 衰减后的学习率。
 式子中各参数详细介绍请看参数说明。
 
-参数：
+参数
+::::::::::::
+
     - **learning_rate** (Variable|float) - 初始学习率值。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的float类型。
     - **decay_steps** (int) - 衰减步数，见以上衰减运算式子。
     - **decay_rate** (float)- 衰减率。见以上衰减运算。
@@ -37,9 +39,12 @@ InverseTimeDecay
     - **step** (int，可选) - 步大小，即以上运算式子中global_step的每次的增量值，使得global_step随着训练的次数递增。默认值为1。
     - **dtype** (str，可选) - 初始化学习率变量的数据类型，可以为"float32", "float64"。默认值为"float32"。
 
-返回： 无
+返回
+::::::::::::
+ 无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/L1Loss_cn.rst

@@ -22,12 +22,17 @@ L1Loss
 如果 :attr:`reduction` 是 ``'none'``, 则输出Loss的维度为 [N, *], 与输入input相同。
 如果 :attr:`reduction` 是 ``'mean'`` 或 ``'sum'``, 则输出Loss的维度为 [1]。
 
-参数：
+参数
+::::::::::::
+
     - **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'`` 。默认为 ``'mean'``，计算 `L1Loss` 的均值；设置为 ``'sum'`` 时，计算 `L1Loss` 的总和；设置为 ``'none'`` 时，则返回L1Loss。数据类型为string。
 
-返回：返回计算L1Loss的可调用对象。
+返回
+::::::::::::
+返回计算L1Loss的可调用对象。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
         # declarative mode

doc/fluid/api_cn/dygraph_cn/LayerList_cn.rst

@@ -7,12 +7,17 @@ LayerList
 
 LayerList用于保存子层列表，它包含的子层将被正确地注册和添加。列表中的子层可以像常规python列表一样被索引。
 
-参数：
+参数
+::::::::::::
+
     - **sublayers** (iterable，可选) - 要保存的子层。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/LayerNorm_cn.rst

@@ -6,7 +6,6 @@ LayerNorm
 .. py:class:: paddle.fluid.dygraph.LayerNorm(normalized_shape, scale=True, shift=True, begin_norm_axis=1, epsilon=1e-05, param_attr=None, bias_attr=None, act=None, dtype="float32")
 
 该接口用于构建 ``LayerNorm`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其中实现了层归一化层（Layer Normalization Layer）的功能，其可以应用于小批量输入数据。更多详情请参考：`Layer Normalization <https://arxiv.org/pdf/1607.06450v1.pdf>`_
-
 计算公式如下
 
 .. math::
@@ -23,7 +22,9 @@ LayerNorm
 - :math:`b` : 可训练的偏差参数
 
 
-参数：
+参数
+::::::::::::
+
     - **normalized_shape** (int 或 list 或 tuple) – 需规范化的shape，期望的输入shape为 ``[*, normalized_shape[0], normalized_shape[1], ..., normalized_shape[-1]]``。如果是单个整数，则此模块将在最后一个维度上规范化（此时最后一维的维度需与该参数相同）。
     - **scale** (bool, 可选) - 指明是否在归一化后学习自适应增益 ``g`` 。默认值：True。
     - **shift** (bool, 可选) - 指明是否在归一化后学习自适应偏差 ``b`` 。默认值：True。
@@ -34,9 +35,12 @@ LayerNorm
     - **dtype** (str，可选) - 输出Tensor或LoDTensor的数据类型，数据类型必须为：float32或float64，默认为float32。
 
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/Layer_cn.rst

@@ -7,33 +7,47 @@ Layer
 
 基于OOD实现的动态图Layer，包含该Layer的参数、前序运行的结构等信息。
 
-参数：
+参数
+::::::::::::
+
     - **name_scope** (str，可选) - 为Layer内部参数命名而采用的名称前缀。如果前缀为“mylayer”，在一个类名为MyLayer的Layer中，参数名为“mylayer_0.w_n”，其中w是参数的名称，n为自动生成的具有唯一性的后缀。如果为None，前缀名将为小写的类名。默认值为None。
     - **dtype** (str|core.VarDesc.VarType, 可选) - Layer中参数数据类型。如果设置为str，则可以是“bool”，“float16”，“float32”，“float64”，“int8”，“int16”，“int32”，“int64”，“uint8”或“uint16”。默认值为 ``core.VarDesc.VarType.FP32`` 。
 
-返回：无
+返回
+::::::::::::
+无
 
-.. py:method:: train()
+方法
+::::::::::::
+train()
+'''''''''
 
 将此层及其所有子层设置为训练模式。这只会影响某些模块，如Dropout和BatchNorm。
 
-返回：无
+**返回**
+无
 
-.. py:method:: eval()
+eval()
+'''''''''
 
 将此层及其所有子层设置为预测模式。这只会影响某些模块，如Dropout和BatchNorm。
 
-返回：无
+**返回**
+无
 
-.. py:method:: full_name()
+full_name()
+'''''''''
 
 Layer的全名。组成方式为： ``name_scope`` + “/” + MyLayer.__class__.__name__ 。
 
-返回：Layer的全名
+**返回**
+Layer的全名
 
-返回类型：str
+**返回类型**
+str
 
-.. py:method:: register_forward_pre_hook(hook)
+register_forward_pre_hook(hook)
+'''''''''
 
 为Layer注册一个 ``forward pre-hook`` 函数，该 ``hook`` 函数将会在 ``forward`` 函数调用之前被调用。
 
@@ -41,12 +55,15 @@ Layer的全名。组成方式为： ``name_scope`` + “/” + MyLayer.__class__
 
 hook(Layer, input) -> None or modified input
 
-参数：
+**参数**
+
     - **hook** (function) - 被注册为 ``forward pre-hook`` 的函数
 
-返回：一个 ``HookRemoveHelper`` 类对象，可通过调用 ``hook_remove_helper.remove()`` 来删除注册的hook函数。
+**返回**
+一个 ``HookRemoveHelper`` 类对象，可通过调用 ``hook_remove_helper.remove()`` 来删除注册的hook函数。
 
-返回类型： ``HookRemoveHelper`` 类对象
+**返回类型**
+ ``HookRemoveHelper`` 类对象
 
 **代码示例**
 
@@ -81,7 +98,8 @@ hook(Layer, input) -> None or modified input
         # hook改变了layer的输入（input = input * 2），所以out0等于out1
         assert (out0.numpy() == out1.numpy()).any()
 
-.. py:method:: register_forward_post_hook(hook)
+register_forward_post_hook(hook)
+'''''''''
 
 为Layer注册一个 ``forward post-hook`` 函数，该 ``hook`` 函数将会在 ``forward`` 函数调用之后被调用。
 
@@ -89,12 +107,15 @@ hook(Layer, input) -> None or modified input
 
 hook(Layer, input, output) -> None or modified output
 
-参数：
+**参数**
+
     - **hook** (function) - 被注册为 ``forward post-hook`` 的函数
 
-返回：一个 ``HookRemoveHelper`` 类对象，可通过调用 ``hook_remove_helper.remove()`` 来删除注册的hook函数。
+**返回**
+一个 ``HookRemoveHelper`` 类对象，可通过调用 ``hook_remove_helper.remove()`` 来删除注册的hook函数。
 
-返回类型： ``HookRemoveHelper`` 类对象
+**返回类型**
+ ``HookRemoveHelper`` 类对象
 
 **代码示例**
 
@@ -127,58 +148,75 @@ hook(Layer, input, output) -> None or modified output
         # hook改变了layer的输出（output = output * 2），所以out0等于out1 * 2
         assert (out0.numpy() == (out1.numpy()) * 2).any()
 
-.. py:method:: create_parameter(shape, attr=None, dtype="float32", is_bias=False, default_initializer=None)
+create_parameter(shape, attr=None, dtype="float32", is_bias=False, default_initializer=None)
+'''''''''
 
 为Layer创建参数。
 
-参数：
+**参数**
+
     - **shape** (list) - 参数的形状。列表中的数据类型必须为int。
     - **attr** (ParamAttr，可选) - 指定权重参数属性的对象，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。默认值为None。
     - **dtype** (str|core.VarDesc.VarType, 可选) - Layer中参数数据类型。如果设置为str，则可以是“bool”，“float16”，“float32”，“float64”，“int8”，“int16”，“int32”，“int64”，“uint8”或“uint16”。默认值为“float32”。
     - **is_bias** (bool, 可选) - 是否是偏置参数。默认值：False。
     - **default_initializer** (Initializer, 可选) - 默认的参数初始化方法。如果设置为None，则设置非bias参数的初始化方式为 :ref:`cn_api_fluid_initializer_XavierInitializer` ，设置bias参数的初始化方式为 :ref:`cn_api_fluid_initializer_ConstantInitializer` 。默认值：None。
 
-返回：创建的参数变量
+**返回**
+创建的参数变量
 
-返回类型： :ref:`cn_api_fluid_Variable`
+**返回类型**
+ :ref:`cn_api_fluid_Variable`
 
-.. py:method:: create_variable(name=None, persistable=None, dtype=None, type=VarType.LOD_TENSOR)
+create_variable(name=None, persistable=None, dtype=None, type=VarType.LOD_TENSOR)
+'''''''''
 
 为Layer创建变量。
 
-参数：
+**参数**
+
     - **name** (str, 可选) - 变量名。默认值：None。
     - **persistable** (bool, 可选) - 是否为持久性变量，后续会被移出。默认值：None。
     - **dtype** (str|core.VarDesc.VarType, 可选) - Layer中参数数据类型。如果设置为str，则可以是“bool”，“float16”，“float32”，“float64”，“int8”，“int16”，“int32”，“int64”，“uint8”或“uint16”。默认值为 ``core.VarDesc.VarType.FP32`` 。
     - **type** (core.VarDesc.VarType, 可选) - 变量类型，该参数不需要用户设置。默认值：core.VarDesc.VarType.LOD_TENSOR。
 
-返回：创建的 ``Tensor`` 
+**返回**
+创建的 ``Tensor`` 
 
-返回类型： :ref:`cn_api_fluid_Variable`
+**返回类型**
+ :ref:`cn_api_fluid_Variable`
 
-.. py:method:: parameters(include_sublayers=True)
+parameters(include_sublayers=True)
+'''''''''
 
 返回一个由当前层及其子层的所有参数组成的列表。
 
-参数：
+**参数**
+
     - **include_sublayers** (bool, 可选) - 是否返回子层的参数。如果为True，返回的列表中包含子层的参数。默认值：True。
 
-返回：一个由当前层及其子层的所有参数组成的列表，列表中的元素类型为Parameter(Variable)。
+**返回**
+一个由当前层及其子层的所有参数组成的列表，列表中的元素类型为Parameter(Variable)。
 
-返回类型：list
+**返回类型**
+list
 
-.. py:method:: sublayers(include_sublayers=True)
+sublayers(include_sublayers=True)
+'''''''''
 
 返回一个由所有子层组成的列表。
 
-参数：
+**参数**
+
     - **include_sublayers** (bool, 可选) - 是否返回子层中各个子层。如果为True，则包括子层中的各个子层。默认值：True。
 
-返回： 一个由所有子层组成的列表，列表中的元素类型为Layer。
+**返回**
+ 一个由所有子层组成的列表，列表中的元素类型为Layer。
 
-返回类型：list
+**返回类型**
+list
 
-.. py:method:: clear_gradients()
+clear_gradients()
+'''''''''
 
 清除该层所有参数的梯度。
 
@@ -201,17 +239,21 @@ hook(Layer, input, output) -> None or modified output
         linear.clear_gradients()
 
 
-.. py:method:: named_parameters(prefix='', include_sublayers=True)
+named_parameters(prefix='', include_sublayers=True)
+'''''''''
 
 返回层中所有参数的迭代器，生成名称和参数的元组。
 
-参数：
+**参数**
+
     - **prefix** (str, 可选) - 在所有参数名称前加的前缀。默认值：''。
     - **include_sublayers** (bool, 可选) - 是否返回子层的参数。如果为True，返回的列表中包含子层的参数。默认值：True。
 
-返回：产出名称和参数的元组的迭代器。
+**返回**
+产出名称和参数的元组的迭代器。
 
-返回类型：iterator
+**返回类型**
+iterator
 
 **代码示例**
 
@@ -226,19 +268,23 @@ hook(Layer, input, output) -> None or modified output
         for name, param in model.named_parameters():
             print(name, param)
 
-.. py:method:: named_sublayers(prefix='', include_sublayers=True, include_self=False, layers_set=None)
+named_sublayers(prefix='', include_sublayers=True, include_self=False, layers_set=None)
+'''''''''
 
 返回层中所有子层上的迭代器，生成名称和子层的元组。重复的子层只产生一次。
 
-参数：
+**参数**
+
     - **prefix** (str, 可选) - 在所有参数名称前加的前缀。默认值：''。
     - **include_sublayers** (bool, 可选) - 是否返回子层中各个子层。如果为True，则包括子层中的各个子层。默认值：True。
     - **include_self** (bool, 可选) - 是否包含该层自身。默认值：False。
     - **layers_set** (set, 可选): 记录重复子层的集合。默认值：None。
 
-返回：产出名称和子层的元组的迭代器。
+**返回**
+产出名称和子层的元组的迭代器。
 
-返回类型：iterator
+**返回类型**
+iterator
 
 **代码示例**
 
@@ -253,49 +299,63 @@ hook(Layer, input, output) -> None or modified output
         for prefix, layer in model.named_sublayers():
             print(prefix, layer)
 
-.. py:method:: forward(*inputs, **kwargs)
+forward(*inputs, **kwargs)
+'''''''''
 
 定义每次调用时执行的计算。应该被所有子类覆盖。
 
-参数：
+**参数**
+
     - **\*inputs** (tuple) - 解包后的tuple参数。
     - **\*\*kwargs** (dict) - 解包后的dict参数。
 
-.. py:method:: add_sublayer(name, sublayer)
+add_sublayer(name, sublayer)
+'''''''''
 
 添加子层实例。可以通过self.name访问该sublayer。
 
-参数：
+**参数**
+
     - **name** (str) - 子层名。
     - **sublayer** (Layer) - Layer实例。
 
-返回：添加的子层
+**返回**
+添加的子层
 
-返回类型：Layer
+**返回类型**
+Layer
 
-.. py:method:: add_parameter(name, parameter)
+add_parameter(name, parameter)
+'''''''''
 
 添加参数实例。可以通过self.name访问该parameter。
 
-参数：
+**参数**
+
     - **name** (str) - 参数名。
     - **parameter** (Parameter) - Parameter实例。
 
-返回：传入的参数实例
+**返回**
+传入的参数实例
 
-返回类型：Parameter( :ref:`cn_api_fluid_Variable` )
+**返回类型**
+Parameter( :ref:`cn_api_fluid_Variable` )
 
-.. py:method:: state_dict(destination=None, include_sublayers=True)
+state_dict(destination=None, include_sublayers=True)
+'''''''''
 
 获取当前层及其子层的所有参数。并将所有参数存放在dict结构中。
 
-参数：
+**参数**
+
     - **destination** (dict, 可选) - 如果提供 ``destination`` ，则所有参数都将存放在 ``destination`` 中。 默认值：None。
     - **include_sublayers** (bool, 可选) - 如果设置为True，则包括子层的参数。默认值：True。
 
-返回：包含所有参数的dict
+**返回**
+包含所有参数的dict
 
-返回类型：dict
+**返回类型**
+dict
 
 **代码示例**
 
@@ -307,15 +367,18 @@ hook(Layer, input, output) -> None or modified output
         state_dict = emb.state_dict()
         fluid.save_dygraph(state_dict, "paddle_dy")
 
-.. py:method:: set_dict(stat_dict, include_sublayers=True)
+set_dict(stat_dict, include_sublayers=True)
+'''''''''
 
 根据传入的 ``stat_dict`` 设置参数。 所有参数将由 ``stat_dict`` 中的 ``Tensor`` 设置。
 
-参数：
+**参数**
+
     - **state_dict** (dict) - 包含所有参数的dict。
     - **include_sublayers** (bool, 可选) - 如果设置为True，则还包括子层的参数。 默认值：True。
 
-返回：None
+**返回**
+None
 
 **代码示例**
 
@@ -329,18 +392,21 @@ hook(Layer, input, output) -> None or modified output
         para_state_dict, _ = fluid.load_dygraph("paddle_dy")
         emb.set_dict(para_state_dict)
 
-.. py:method:: load_dict(stat_dict, include_sublayers=True)
+load_dict(stat_dict, include_sublayers=True)
+'''''''''
 
 .. warning::
     该函数将被弃用。请使用set_dict函数。
 
 根据传入的 ``stat_dict`` 设置参数。 所有参数将由 ``stat_dict`` 中的 ``Tensor`` 设置。
 
-参数：
+**参数**
+
     - **state_dict** (dict) - 包含所有参数的dict。
     - **include_sublayers** (bool, 可选) - 如果设置为True，则还包括子层的参数。 默认值：True。
 
-返回：None
+**返回**
+None
 
 **代码示例**
 

doc/fluid/api_cn/dygraph_cn/Linear_cn.rst

@@ -20,7 +20,9 @@ Linear 层将输入 Tensor 与权重矩阵 :math:`W` 相乘，然后生成形状
 如果 bias_attr 不是 None，则将创建一个 bias 变量并将其添加到输出中。
 最后，如果激活 act 不是 None，则相应激活函数也将应用于输出上。
 
-参数:
+参数
+::::::::::::
+
   - **input_dim** (int) – 线性变换层输入单元的数目。
   - **output_dim** (int) – 线性变换层输出单元的数目。
   - **param_attr** (ParamAttr, 可选) – 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
@@ -28,9 +30,12 @@ Linear 层将输入 Tensor 与权重矩阵 :math:`W` 相乘，然后生成形状
   - **act** (str, 可选) – 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值为None。
   - **dtype** (str, 可选) – 权重的数据类型，可以为float32或float64。默认为float32。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 
@@ -47,11 +52,13 @@ Linear 层将输入 Tensor 与权重矩阵 :math:`W` 相乘，然后生成形状
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/MSELoss_cn.rst

@@ -22,16 +22,23 @@ MSELoss
 .. math::
     Out = \operatorname{sum}((input - label)^2)
 
-参数：
+参数
+::::::::::::
+
     - **input** (Variable) - 预测值，维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
     - **label** (Variable) - 目标值，维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
     - **reduction** (str, 可选) - 约简方式，可以是 'none' | 'mean' | 'sum'。设为'none'时不使用约简，设为'mean'时返回loss的均值，设为'sum'时返回loss的和。
 
-返回：预测值和目标值的均方差
+返回
+::::::::::::
+预测值和目标值的均方差
 
-返回类型：变量（Variable）
+返回类型
+::::::::::::
+变量（Variable）
 
-**代码示例**：
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/NCE_cn.rst

@@ -6,8 +6,9 @@ NCE
 .. py:class:: paddle.fluid.dygraph.NCE(num_total_classes, dim, param_attr=None, bias_attr=None, num_neg_samples=None, sampler='uniform', custom_dist=None, seed=0, is_sparse=False, dtype="float32")
 
 该接口用于构建 ``NCE`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其中实现了 ``NCE`` 损失函数的功能，其默认使用均匀分布进行抽样，计算并返回噪音对比估计（ noise-contrastive estimation training loss）。更多详情请参考：`Noise-contrastive estimation: A new estimation principle for unnormalized statistical models <http://www.jmlr.org/proceedings/papers/v9/gutmann10a/gutmann10a.pdf>`_
+参数
+::::::::::::
 
-参数：
     - **num_total_classes** (int) - 所有样本中的类别的总数。
     - **dim** (int) - 输入的维度（一般为词嵌入的维度）。
     - **sample_weight** (Variable, 可选) - 维度为\[batch_size, 1\]，存储每个样本的权重。每个样本的默认权重为1.0。默认值：None。
@@ -20,9 +21,12 @@ NCE
     - **is_sparse** (bool, 可选) – 指明是否使用稀疏更新，如果为True， :math:`weight@GRAD` 和 :math:`bias@GRAD` 会变为 SelectedRows。默认值：False。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 
@@ -70,10 +74,12 @@ NCE
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``

doc/fluid/api_cn/dygraph_cn/NLLLoss_cn.rst

@@ -28,18 +28,25 @@ NLLLoss
             \text{if reduction} = \text{'sum'.}
         \end{cases}
 
-参数：
+参数
+::::::::::::
+
     - **input** (Variable): - 输入 `Tensor`, 其形状为 :math:`[N, C]` , 其中 `C` 为类别数。但是对于多维度的情形下，它的形状为 :math:`[N, C, d_1, d_2, ..., d_K]` 。数据类型为float32或float64。
     - **label** (Variable): - 输入input对应的标签值。其形状为 :math:`[N,]` 或者 :math:`[N, d_1, d_2, ..., d_K]`, 数据类型为int64。
     - **weight** (Variable, 可选): - 手动指定每个类别的权重。其默认为 `None` 。如果提供该参数的话，长度必须为 `num_classes` 。数据类型为float32或float64。
     - **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` 。默认为 `mean` ，计算 `mini-batch` loss均值。设置为 `sum` 时，计算 `mini-batch` loss的总和。设置为 `none` 时，则返回loss Tensor。数据类型为string。
     - **ignore_index** (int64, 可选): - 指定一个忽略的标签值，此标签值不参与计算。默认值为-100。数据类型为int64。
 
-返回：返回存储表示 `negative log likihood loss` 的损失值。
+返回
+::::::::::::
+返回存储表示 `negative log likihood loss` 的损失值。
 
-返回类型：Variable
+返回类型
+::::::::::::
+Variable
 
-**代码示例**
+代码示例
+::::::::::::
 
 ..  code-block:: python
 

doc/fluid/api_cn/dygraph_cn/NaturalExpDecay_cn.rst

@@ -32,7 +32,9 @@ NaturalExpDecay
 - :math:`decayed\_learning\_rate` ： 衰减后的学习率。
 式子中各参数详细介绍请看参数说明。
 
-参数：
+参数
+::::::::::::
+
     - **learning_rate** (Variable|float) - 初始学习率值。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的float类型。
     - **decay_steps** (int) – 指定衰减的步长。该参数确定衰减的周期。
     - **decay_rate** (float) – 指定衰减率。
@@ -41,9 +43,12 @@ NaturalExpDecay
     - **step** (int，可选) – 步大小，即以上运算式子中global_step的每次的增量值。默认值为1。
     - **dtype**  – (str，可选) 初始化学习率变量的数据类型，可以为"float32", "float64"。默认值为"float32"。
 
-返回： 无
+返回
+::::::::::::
+ 无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/NoamDecay_cn.rst

@@ -22,7 +22,9 @@ Noam衰减的计算方式如下。
 - :math:`decayed\_learning\_rate` ： 衰减后的学习率。
 式子中各参数详细介绍请看参数说明。
 
-参数：
+参数
+::::::::::::
+
     - **d$_{model}$**  (Variable|int) - 模型的输入、输出向量特征维度，为超参数。如果设置为Variable类型值，则数据类型可以为int32或int64的标量Tensor，也可以设置为Python int。
     - **warmup_steps** (Variable|int) - 预热步数，为超参数。如果设置为Variable类型，则数据类型为int32或int64的标量Tensor，也可以设置为为Python int。
     - **begin** (int，可选) – 起始步。即以上运算式子中global_steps的初始值。默认值为0。
@@ -30,9 +32,12 @@ Noam衰减的计算方式如下。
     - **dtype** (str，可选) – 学习率值的数据类型，可以为"float32", "float64"。默认值为"float32"。
     - **learning_rate** (Variable|float|int，可选) - 初始学习率。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的int类型。默认值为1.0。
 
-返回： 无
+返回
+::::::::::::
+ 无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/PRelu_cn.rst

@@ -6,14 +6,15 @@ PRelu
 .. py:class:: paddle.fluid.dygraph.PRelu(mode, input_shape=None, param_attr=None, dtype="float32")
 
 该接口用于构建 ``PRelu`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其中实现了 ``PRelu`` 激活函数的三种激活方式。
-
 计算公式如下：
 
 .. math::
     y = max(0, x) + \alpha min(0, x)
 
 
-参数：
+参数
+::::::::::::
+
     - **mode** (str) - 权重共享模式。共提供三种激活方式：
 
     .. code-block:: text
@@ -27,9 +28,12 @@ PRelu
     - **param_attr** (ParamAttr, 可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例：**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -57,7 +61,9 @@ PRelu
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/ParallelEnv_cn.rst

@@ -14,7 +14,8 @@ ParallelEnv
 
 ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配置动态图并行执行。
 
-**示例代码：**
+代码示例
+::::::::::::
     .. code-block:: python
 
         # 这个示例需要由paddle.distributed.launch启动, 用法为:
@@ -57,16 +58,17 @@ ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配
             adam.minimize(avg_loss)
             linear.clear_gradients()
 
+
 属性
 ::::::::::::
-
-.. py:attribute:: nranks
+nranks
+'''''''''
 
 参与训练进程的数量，一般也是训练所使用GPU卡的数量。
 
 此属性的值等于环境变量 `PADDLE_TRAINERS_NUM` 的值。默认值为1。
 
-**示例代码**
+**代码示例**
     .. code-block:: python
 
         # 在Linux环境，提前执行此命令: export PADDLE_TRAINERS_NUM=4
@@ -77,13 +79,14 @@ ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配
         # The nranks is 4
 
 
-.. py:attribute:: local_rank
+local_rank
+'''''''''
 
 当前训练进程的编号。
 
 此属性的值等于环境变量 `PADDLE_TRAINER_ID` 的值。默认值是0。
 
-**示例代码**
+**代码示例**
     .. code-block:: python
 
         # 在Linux环境，提前执行此命令: export PADDLE_TRAINER_ID=0
@@ -94,13 +97,14 @@ ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配
         # The local rank is 0
 
 
-.. py:attribute:: dev_id
+dev_id
+'''''''''
 
 当前用于并行训练的GPU的编号。
 
 此属性的值等于环境变量 `FLAGS_selected_gpus` 的值。默认值是0。
 
-**示例代码**
+**代码示例**
     .. code-block:: python
 
         # 在Linux环境，提前执行此命令: export FLAGS_selected_gpus=1
@@ -111,13 +115,14 @@ ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配
         # The device id are 1
 
 
-.. py:attribute:: current_endpoint
+current_endpoint
+'''''''''
 
 当前训练进程的终端节点IP与相应端口，形式为（机器节点IP:端口号）。例如：127.0.0.1:6170。
 
 此属性的值等于环境变量 `PADDLE_CURRENT_ENDPOINT` 的值。默认值为空字符串""。
 
-**示例代码**
+**代码示例**
     .. code-block:: python
             
         # 在Linux环境，提前执行此命令: export PADDLE_CURRENT_ENDPOINT=127.0.0.1:6170
@@ -128,13 +133,14 @@ ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配
         # The current endpoint are 127.0.0.1:6170
 
 
-.. py:attribute:: trainer_endpoints
+trainer_endpoints
+'''''''''
 
 当前任务所有参与训练进程的终端节点IP与相应端口，用于在NCCL2初始化的时候建立通信，广播NCCL ID。
 
 此属性的值等于环境变量 `PADDLE_TRAINER_ENDPOINTS` 的值。默认值为空字符串""。
 
-**示例代码**
+**代码示例**
     .. code-block:: python
 
         # 在Linux环境，提前执行此命令: export PADDLE_TRAINER_ENDPOINTS=127.0.0.1:6170,127.0.0.1:6171
@@ -142,4 +148,4 @@ ParallelEnv通常需要和 `fluid.dygraph.DataParallel` 一起使用，用于配
         
         env = fluid.dygraph.ParallelEnv()
         print("The trainer endpoints are %s" % env.trainer_endpoints)
-        # The trainer endpoints are ['127.0.0.1:6170', '127.0.0.1:6171']
+        # The trainer endpoints are ['127.0.0.1:6170', '127.0.0.1:6171']
\ No newline at end of file

doc/fluid/api_cn/dygraph_cn/ParameterList_cn.rst

@@ -7,12 +7,17 @@ ParameterList
 
 参数列表容器。此容器的行为类似于Python列表，但它包含的参数将被正确地注册和添加。
 
-参数：
+参数
+::::::::::::
+
     - **parameters** (iterable，可选) - 可迭代的Parameters。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/PiecewiseDecay_cn.rst

@@ -18,16 +18,21 @@ PiecewiseDecay
     2、在当前训练步数global_step大于或等于10000步，并且小于20000步时，学习率值为0.5。
     3、在当前训练步数global_step大于或等于20000步时，学习率值为0.1。
 
-参数：
+参数
+::::::::::::
+
     - **boundaries** (list) - 指定衰减的步数边界。列表的数据元素为Python int类型。
     - **values** (list) - 备选学习率列表。数据元素类型为Python float的列表。与边界值列表有对应的关系。
     - **begin** (int) – 起始步，即以上举例描述中global_step的初始化值。
     - **step** (int，可选) – 步大小，即以上举例描述中global_step每步的递增值。默认值为1。
     - **dtype** (str，可选) – 初始化学习率变量的数据类型，可以为"float32", "float64"。默认值为"float32"。
 
-返回： 无
+返回
+::::::::::::
+ 无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/PolynomialDecay_cn.rst

@@ -30,7 +30,9 @@ PolynomialDecay
 - :math:`decayed\_learning\_rate` ： 衰减后的学习率。
 式子中各参数详细介绍请看参数说明。
 
-参数：
+参数
+::::::::::::
+
     - **learning_rate** (Variable|float32) - 初始学习率。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的float类型。
     - **decay_steps** (int) - 衰减步数。必须是正整数，该参数确定衰减周期。
     - **end_learning_rate** (float，可选) - 最小的最终学习率。默认值为0.0001。
@@ -40,10 +42,13 @@ PolynomialDecay
     - **step** (int，可选) – 步大小，即以上运算式子中global_step的递增值。默认值为1。
     - **dtype** (str，可选)– 初始化学习率变量的数据类型，可以为"float32", "float64"。默认值为"float32"。
 
-返回： 无
+返回
+::::::::::::
+ 无
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/Pool2D_cn.rst

@@ -6,7 +6,6 @@ Pool2D
 .. py:class:: paddle.fluid.dygraph.Pool2D(pool_size=-1, pool_type='max', pool_stride=1, pool_padding=0, global_pooling=False, use_cudnn=True, ceil_mode=False, exclusive=True)
 
 该接口用于构建 ``Pool2D`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其将在神经网络中构建一个二维池化层，并使用上述输入参数的池化配置，为二维空间池化操作，根据 ``input`` ， 池化类型 ``pool_type`` ， 池化核大小 ``pool_size`` , 步长 ``pool_stride`` ，填充 ``pool_padding`` 这些参数得到输出。
-
 输入X和输出Out是NCHW格式，N为批大小，C是通道数，H是特征高度，W是特征宽度。参数（ ``ksize``, ``strides``, ``paddings`` ）含有两个整型元素。分别表示高度和宽度上的参数。输入X的大小和输出Out的大小可能不一致。
 
 例如：
@@ -51,7 +50,9 @@ Pool2D
     wend & = min(W, wstart + ksize[1]) \\
     Output(i ,j) & = \frac{sum(Input[hstart:hend, wstart:wend])}{(hend - hstart) * (wend - wstart)}
 
-参数：
+参数
+::::::::::::
+
     - **pool_size** (int|list|tuple, 可选) - 池化核的大小。如果它是一个元组或列表，它必须包含两个整数值， (pool_size_Height, pool_size_Width)。若为一个整数，则它的平方值将作为池化核大小，比如若pool_size=2, 则池化核大小为2x2。默认值：-1。
     - **pool_type** (str, 可选) - 池化类型，可以是”max“对应max-pooling，“avg”对应average-pooling。默认为”max“。
     - **pool_stride** (int|list|tuple, 可选)  - 池化层的步长。如果它是一个元组或列表，它将包含两个整数，(pool_stride_Height, pool_stride_Width)。若为一个整数，则表示H和W维度上stride均为该值。默认值为1。
@@ -61,14 +62,19 @@ Pool2D
     - **ceil_mode** （bool, 可选）- 是否用ceil函数计算输出高度和宽度。如果设为False，则使用floor函数。默认为False。
     - **exclusive** (bool, 可选) - 是否在平均池化模式忽略填充值。默认为True。
 
-返回：无
+返回
+::::::::::::
+无
+
+抛出异常
+::::::::::::
 
-抛出异常：
     - ``ValueError`` - 如果 ``pool_type`` 既不是“max”也不是“avg”
     - ``ValueError`` - 如果 ``global_pooling`` 为False并且‘pool_size’为-1
     - ``ValueError`` - 如果 ``use_cudnn`` 不是bool值
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/Sequential_cn.rst

@@ -7,12 +7,17 @@ Sequential
 
 顺序容器。子Layer将按构造函数参数的顺序添加到此容器中。传递给构造函数的参数可以Layers或可迭代的name Layer元组。
 
-参数：
+参数
+::::::::::::
+
     - **layers** (tuple) - Layers或可迭代的name Layer对。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/SpectralNorm_cn.rst

@@ -6,7 +6,6 @@ SpectralNorm
 .. py:class:: paddle.fluid.dygraph.SpectralNorm(weight_shape, dim=0, power_iters=1, eps=1e-12, name=None, dtype="float32")
 
 该接口用于构建 ``SpectralNorm`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其中实现了谱归一化层的功能，用于计算fc、conv1d、conv2d、conv3d层的权重参数的谱正则值，输入权重参数应分别为2-D, 3-D, 4-D, 5-D张量，输出张量与输入张量维度相同。谱特征值计算方式如下：
-
 步骤1：生成形状为[H]的向量U,以及形状为[W]的向量V,其中H是输入权重张量的第 ``dim`` 个维度，W是剩余维度的乘积。
 
 步骤2： ``power_iters`` 应该是一个正整数，用U和V迭代计算 ``power_iters`` 轮，迭代步骤如下。
@@ -24,7 +23,9 @@ SpectralNorm
 
 可参考: `Spectral Normalization <https://arxiv.org/abs/1802.05957>`_
 
-参数：
+参数
+::::::::::::
+
     - **weight_shape** (list 或 tuple) - 权重参数的shape。
     - **dim** (int, 可选) - 将输入（weight）重塑为矩阵之前应排列到第一个的维度索引，如果input（weight）是fc层的权重，则应设置为0；如果input（weight）是conv层的权重，则应设置为1。默认值：0。
     - **power_iters** (int, 可选) - 将用于计算的 ``SpectralNorm`` 功率迭代次数，默认值：1。
@@ -32,9 +33,12 @@ SpectralNorm
     - **name** (str, 可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值为"float32"。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**：
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/TracedLayer_cn.rst

@@ -15,17 +15,23 @@ TracedLayer使用 ``Executor`` 和 ``CompiledProgram`` 运行静态图模型。
 
 TracedLayer只能用于将data independent的动态图模型转换为静态图模型，即待转换的动态图模型不应随tensor数据或维度的变化而变化。
 
-.. py:staticmethod:: trace(layer, inputs)
+方法
+::::::::::::
+**static** trace(layer, inputs)
+'''''''''
 
 创建TracedLayer对象的唯一接口，该接口会调用 ``layer(*inputs)`` 方法运行动态图模型并将其转换为静态图模型。
 
-参数:
+**参数**
+
     - **layer** (dygraph.Layer) - 待追踪的动态图layer对象。
     - **inputs** (list(Variable)) - 动态图layer对象的输入变量列表。
 
-返回: 包含2个元素的tuple，其中第一个元素是 ``layer(*inputs)`` 的输出结果，第二个元素是转换后得到的TracedLayer对象。
+**返回**
+ 包含2个元素的tuple，其中第一个元素是 ``layer(*inputs)`` 的输出结果，第二个元素是转换后得到的TracedLayer对象。
 
-返回类型: tuple
+**返回类型**
+ tuple
 
 **代码示例**
 
@@ -57,15 +63,18 @@ TracedLayer只能用于将data independent的动态图模型转换为静态图
         # 将静态图模型保存为预测模型
         static_layer.save_inference_model(dirname='./saved_infer_model')
 
-.. py:method:: set_strategy(build_strategy=None, exec_strategy=None)
+set_strategy(build_strategy=None, exec_strategy=None)
+'''''''''
 
 设置构建和执行静态图模型的相关策略。
 
-参数:
+**参数**
+
     - **build_strategy** (BuildStrategy, 可选) - TracedLayer内部 ``CompiledProgram`` 的构建策略。
     - **exec_strategy** (ExecutionStrategy, 可选) - TracedLayer内部 ``CompiledProgram`` 的执行策略。
 
-返回: 无
+**返回**
+ 无
 
 **代码示例**
 
@@ -99,16 +108,19 @@ TracedLayer只能用于将data independent的动态图模型转换为静态图
         static_layer.set_strategy(build_strategy=build_strategy, exec_strategy=exec_strategy)
         out_static_graph = static_layer([in_var])
 
-.. py:method:: save_inference_model(dirname, feed=None, fetch=None)
+save_inference_model(dirname, feed=None, fetch=None)
+'''''''''
 
 将TracedLayer保存为用于预测部署的模型。保存的预测模型可被C++预测接口加载。
 
-参数:
+**参数**
+
     - **dirname** (str) - 预测模型的保存目录。
     - **feed** (list(int), 可选) - 预测模型输入变量的索引。若为None，则TracedLayer的所有输入变量均会作为预测模型的输入。默认值为None。
     - **fetch** (list(int), 可选) - 预测模型输出变量的索引。若为None，则TracedLayer的所有输出变量均会作为预测模型的输出。默认值为None。
 
-返回: 无
+**返回**
+ 无
 
 **代码示例**
 

doc/fluid/api_cn/dygraph_cn/TreeConv_cn.rst

@@ -7,8 +7,9 @@ TreeConv
 
 该接口用于构建 ``TreeConv`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其将在神经网络中构建一个基于树结构的卷积（Tree-Based Convolution）运算。基于树的卷积是基于树的卷积神经网络（TBCNN，Tree-Based Convolution Neural Network）的一部分，它用于对树结构进行分类，例如抽象语法树。 Tree-Based Convolution提出了一种称为连续二叉树的数据结构，它将多路（multiway）树视为二叉树。详情请参考： `基于树的卷积论文 <https://arxiv.org/abs/1409.5718v1>`_ 。
 
+参数
+::::::::::::
 
-参数：
     - **feature_size**  (int) – nodes_vector的shape的最后一维的维度。
     - **output_size**  (int) – 输出特征宽度。
     - **num_filters**  (int, 可选) – 滤波器的数量，默认值为1。
@@ -19,9 +20,12 @@ TreeConv
     - **name** (str, 可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
     - **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值为"float32"。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**:
+代码示例
+::::::::::::
 
 .. code-block:: python
     
@@ -37,11 +41,13 @@ TreeConv
 
 属性
 ::::::::::::
-.. py:attribute:: weight
+weight
+'''''''''
 
 本层的可学习参数，类型为 ``Parameter``
 
-.. py:attribute:: bias
+bias
+'''''''''
 
 本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/grad_cn.rst

@@ -7,9 +7,12 @@ grad
 
 .. py:method:: paddle.fluid.dygraph.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False, no_grad_vars=None, backward_strategy=None)
 
+
 对于每个 `inputs` ，计算所有 `outputs` 相对于其的梯度和。
 
-参数:
+参数
+:::::::::
+
     - **outputs** (Variable|list(Variable)|tuple(Variable)) – 用于计算梯度的图的输出变量，或多个输出变量构成的list/tuple。
     - **inputs** (Variable|list(Variable)|tuple(Variable)) - 用于计算梯度的图的输入变量，或多个输入变量构成的list/tuple。该API的每个返回值对应每个 `inputs` 的梯度。
     - **grad_outputs** (Variable|list(Variable|None)|tuple(Variable|None), 可选) - `outputs` 变量梯度的初始值。若 `grad_outputs` 为None，则 `outputs` 梯度的初始值均为全1的Tensor。若 `grad_outputs` 不为None，它必须与 `outputs` 的长度相等，此时，若 `grad_outputs` 的第i个元素为None，则第i个 `outputs` 的梯度初始值为全1的Tensor；若 `grad_outputs` 的第i个元素为Variable，则第i个 `outputs` 的梯度初始值为 `grad_outputs` 的第i个元素。默认值为None。
@@ -20,11 +23,16 @@ grad
     - **no_grad_vars** (Variable|list(Variable)|tuple(Variable)|set(Variable), 可选) - 指明不需要计算梯度的变量。默认值为None。
     - **backward_strategy** (BackwardStrategy, 可选) - 计算梯度的策略。详见 :ref:`cn_api_fluid_dygraph_BackwardStrategy` 。默认值为None。
 
-返回: 变量构成的tuple，其长度等于 `inputs` 中的变量个数，且第i个返回的变量是所有 `outputs` 相对于第i个 `inputs` 的梯度之和。
+返回
+:::::::::
+ 变量构成的tuple，其长度等于 `inputs` 中的变量个数，且第i个返回的变量是所有 `outputs` 相对于第i个 `inputs` 的梯度之和。
 
-返回类型: tuple
+返回类型
+:::::::::
+ tuple
 
-**示例代码 1**
+代码示例 1
+:::::::::
   .. code-block:: python
 
         import paddle.fluid as fluid
@@ -59,7 +67,8 @@ grad
         print(test_dygraph_grad(create_graph=False)) # [2.]
         print(test_dygraph_grad(create_graph=True)) # [4.]
 
-**示例代码 2**
+代码示例 2
+:::::::::
   .. code-block:: python
 
         import paddle.fluid as fluid
@@ -103,4 +112,4 @@ grad
         print(test_dygraph_grad([FOUR, None])) # [19.]
 
         # dy1 = [3], dy2 = [4]
-        print(test_dygraph_grad([THREE, FOUR])) # [24.]
+        print(test_dygraph_grad([THREE, FOUR])) # [24.]
\ No newline at end of file

doc/fluid/api_cn/dygraph_cn/guard_cn.rst

@@ -9,12 +9,17 @@ guard
 
 通过with语句创建一个dygraph运行的context，执行context代码。
 
-参数：
+参数
+::::::::::::
+
     - **place** (fluid.CPUPlace|fluid.CUDAPlace, 可选) –  动态图执行的设备，可以选择cpu，gpu，如果用户未制定，则根据用户paddle编译的方式来选择运行的设备，如果编译的cpu版本，则在cpu上运行，如果是编译的gpu版本，则在gpu上运行。默认值：None。
 
-返回： None
+返回
+::::::::::::
+ None
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/load_dygraph_cn.rst

@@ -11,18 +11,25 @@ load_dygraph
 
 该接口会同时加载 ``model_path + ".pdparams"`` 和 ``model_path + ".pdopt"`` 中的内容。
 
-参数:
+参数
+::::::::::::
+
     - **model_path**  (str) – 保存state_dict的文件前缀。该路径不应该包括后缀 ``.pdparams`` 或 ``.pdopt``。
 
 
-返回: 两个 ``dict`` ，即从文件中恢复的参数 ``dict`` 和优化器 ``dict``
+返回
+::::::::::::
+ 两个 ``dict`` ，即从文件中恢复的参数 ``dict`` 和优化器 ``dict``
 
 - para_dict: 从文件中恢复的参数 ``dict``
 - opti_dict: 从文件中恢复的优化器 ``dict``
 
-返回类型: tuple(dict, dict)
+返回类型
+::::::::::::
+ tuple(dict, dict)
   
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/no_grad_cn.rst

@@ -7,11 +7,13 @@ no_grad
 
 .. py:method:: paddle.fluid.dygraph.no_grad(func=None)
 
+
 创建一个上下文来禁用动态图梯度计算。在此模式下，每次计算的结果都将具有stop_gradient=True。
 
 也可以用作一个装饰器（确保不要用括号来初始化）。
 
-**代码示例**
+代码示例
+:::::::::
 
 ..  code-block:: python
 

doc/fluid/api_cn/dygraph_cn/prepare_context_cn.rst

@@ -7,14 +7,21 @@ prepare_context
 
 该API是进行多进程多卡训练的环境配置接口，接受一个ParallelStrategy结构体变量作为输入。当strategy属性中的nums_trainer小于2时，API会直接返回，当nums_trainer大于1且为CUDAPlace时，由于目前动态图模式仅支持GPU多卡训练，仅能配置NCCL多卡训练的环境，所以此时会对NCCL环境进行配置，具体内容包括：生成NCCL ID，并广播至参与训练的各进程，用于支持的处理器同步操作，创建并配置NCCL通信器等。
 
-参数：
+参数
+::::::::::::
+
   - **strategy** (ParallelStrategy, 可选) – 该参数是配置储存多进程多卡训练配置信息的结构体变量，其具体成员包括：trainer节点的个数，当前trainer节点的ID，所有trainer节点的endpoint，当前节点的endpoint。当输入为None时，会调用PallelStrategy构造函数初始化strategy，此时，strategy的属性值为PallelStrategy结构体的默认值，接着strategy的属性会被环境变量中的对应值覆盖。默认值为None。
 
-返回：一个属性配置后的ParallelStrategy结构体变量。
+返回
+::::::::::::
+一个属性配置后的ParallelStrategy结构体变量。
 
-返回类型：实例（ParallelStrategy）
+返回类型
+::::::::::::
+实例（ParallelStrategy）
 
-**代码示例**：
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/save_dygraph_cn.rst

@@ -16,13 +16,18 @@ save_dygraph
 该接口会根据 ``state_dict`` 的内容，自动给 ``model_path`` 添加 ``.pdparams`` 或者 ``.pdopt`` 后缀，
 生成 ``model_path + ".pdparams"`` 或者 ``model_path + ".pdopt"`` 文件。
 
-参数:
+参数
+::::::::::::
+
  - **state_dict**  (dict of Parameters) – 要保存的模型参数的 ``dict`` 。
  - **model_path**  (str) – 保存state_dict的文件前缀。格式为 ``目录名称/文件前缀``。如果文件前缀为空字符串，会引发异常。
 
-返回: 无
+返回
+::::::::::::
+ 无
   
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/dygraph_cn/to_variable_cn.rst

@@ -9,17 +9,24 @@ to_variable
 
 该函数实现从numpy\.ndarray对象或者Variable对象创建一个 ``Variable`` 类型的对象。
 
-参数：
+参数
+::::::::::::
+
     - **value** (ndarray|Variable) – 需要转换的numpy\.ndarray或Variable对象，维度可以为多维，数据类型为numpy\.{float16, float32, float64, int16, int32, int64, uint8, uint16}中的一种。
     - **name**  (str, 可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
     - **zero_copy**  (bool, 可选) – 是否与输入的numpy数组共享内存。此参数仅适用于CPUPlace，当它为None时将设置为True。默认值为None。
 
 
-返回：如果 ``value`` 是numpy\.ndarray对象，返回由numpy\.ndarray对象创建的 ``Tensor`` ，其数据类型和维度与 ``value`` 一致；如果 ``value`` 是Variable对象，返回 ``value`` 。
+返回
+::::::::::::
+如果 ``value`` 是numpy\.ndarray对象，返回由numpy\.ndarray对象创建的 ``Tensor`` ，其数据类型和维度与 ``value`` 一致；如果 ``value`` 是Variable对象，返回 ``value`` 。
 
-返回类型：Variable
+返回类型
+::::::::::::
+Variable
 
-**代码示例**:
+代码示例
+::::::::::::
 
 .. code-block:: python
     

doc/fluid/api_cn/executor_cn/Executor_cn.rst

@@ -9,14 +9,21 @@ Executor
 
 Executor支持单GPU、多GPU以及CPU运行。
 
-参数：
+参数
+::::::::::::
+
     - **place** (fluid.CPUPlace()|fluid.CUDAPlace(N)|None) – 该参数表示Executor执行所在的设备，这里的N为GPU对应的ID。当该参数为 `None` 时，PaddlePaddle会根据其安装版本来设置默认设备。当PaddlePaddle是CPU版时，默认运行设备将会设置为 `fluid.CPUPlace()` ；当PaddlePaddle是GPU版本时，默认执行设备将会设置为 `fluid.CUDAPlace(0)` 。默认值为None。
   
-返回：初始化后的 ``Executor`` 对象
+返回
+::::::::::::
+初始化后的 ``Executor`` 对象
 
-返回类型：Executor
+返回类型
+::::::::::::
+Executor
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python
     
@@ -73,14 +80,18 @@ Executor支持单GPU、多GPU以及CPU运行。
                          feed={"X": x},
                          fetch_list=[loss.name])
 
-.. py:method:: close()
+方法
+::::::::::::
+close()
+'''''''''
 
 
 关闭执行器。该接口主要用于对于分布式训练，调用该接口后不可以再使用该执行器。该接口会释放在PServers上和目前Trainer有关联的资源。
 
-返回：无
+**返回**
+无
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
     
@@ -92,11 +103,13 @@ Executor支持单GPU、多GPU以及CPU运行。
     exe.close()
 
 
-.. py:method:: run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_name='fetch', scope=None, return_numpy=True, use_program_cache=False, use_prune=False)
+run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_name='fetch', scope=None, return_numpy=True, use_program_cache=False, use_prune=False)
+'''''''''
 
 执行指定的Program或者CompiledProgram。需要注意的是，执行器会执行Program或CompiledProgram中的所有算子，而不会根据fetch_list对Program或CompiledProgram中的算子进行裁剪。同时，需要传入运行该模型用到的scope，如果没有指定scope，执行器将使用全局scope，即fluid.global_scope()。
 
-参数：  
+**参数**
+  
   - **program** (Program|CompiledProgram) – 该参数为被执行的Program或CompiledProgram，如果未提供该参数，即该参数为None，在该接口内，main_program将被设置为fluid.default_main_program()。默认为：None。
   - **feed** (list|dict) – 该参数表示模型的输入变量。如果是单卡训练，``feed`` 为 ``dict`` 类型，如果是多卡训练，参数 ``feed`` 可以是 ``dict`` 或者 ``list`` 类型变量，如果该参数类型为 ``dict`` ，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU），即输入数据被均匀分配到不同设备上；如果该参数类型为 ``list`` ，则列表中的各个元素都会直接分别被拷贝到各设备中。默认为：None。
   - **fetch_list** (list) – 该参数表示模型运行之后需要返回的变量。默认为：None。
@@ -107,16 +120,18 @@ Executor支持单GPU、多GPU以及CPU运行。
   - **use_program_cache** (bool) – 该参数表示是否对输入的Program进行缓存。如果该参数为True，在以下情况时，模型运行速度可能会更快：输入的program为 ``fluid.Program`` ，并且模型运行过程中，调用该接口的参数（program、 feed变量名和fetch_list变量）名始终不变。默认为：False。
   - **use_prune** (bool) – 该参数表示是否对输入的Program进行剪枝。如果该参数为True，输入的Program会在run之前根据 ``feed`` 和 ``fetch_list`` 进行剪枝，剪枝的逻辑是将产生 ``feed`` 的 ``Variable`` 和 ``Operator`` 以及不产生 ``fetch_list`` 的 ``Variable`` 和 ``Operator`` 进行裁剪。默认为：False，表示不进行剪枝。请注意，如果将 ``Optimizer.minimize()`` 方法返回的 ``tuple`` 传入 ``fetch_list`` 中，则 ``use_prune`` 会被重写为True，并且会开启剪枝。
   
-返回：返回fetch_list中指定的变量值
+**返回**
+返回fetch_list中指定的变量值
 
-返回类型：List
+**返回类型**
+List
 
 .. note::
      1. 如果是多卡训练，并且feed参数为dict类型，输入数据将被均匀分配到不同的卡上，例如：使用2块GPU训练，输入样本数为3，即[0, 1, 2]，经过拆分之后，GPU0上的样本数为1，即[0]，GPU1上的样本数为2，即[1, 2]。如果样本数少于设备数，程序会报错，因此运行模型时，应额外注意数据集的最后一个batch的样本数是否少于当前可用的CPU核数或GPU卡数，如果是少于，建议丢弃该batch。
      2. 如果可用的CPU核数或GPU卡数大于1，则fetch出来的结果为不同设备上的相同变量值（fetch_list中的变量）在第0维拼接在一起。
 
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
 
@@ -141,7 +156,8 @@ Executor支持单GPU、多GPU以及CPU运行。
                            fetch_list=[loss.name])
 
 
-.. py:method:: train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+'''''''''
 
 从预定义的数据集中训练。 数据集在Paddle的高性能IO模块paddle.fluid.dataset中定义。 给定Program（或CompiledProgram），train_from_dataset将使用paddle.fluid.dataset中的所有数据样本。输入scope可由用户给出, 默认情况下使用的scope是global_scope()。训练中的线程数是thread个， 默认值为0，表示使用paddle.fluid.dataset中用户配置的线程数。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。当用户设置fetch_list和fetch_info时
 （两者长度需要一致）时，会打印出fetch_list中所有变量的值，打印该值的间隔为print_period。
@@ -152,7 +168,8 @@ train_from_dataset可以非常容易扩展到大规模分布式在线和离线
 
 注意：train_from_dataset将销毁每次运行在executor中创建的所有资源。
 
-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 (类型是Program)
   - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的Dataset。默认为None
   - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
@@ -162,9 +179,10 @@ train_from_dataset可以非常容易扩展到大规模分布式在线和离线
   - **fetch_info** (String List) – 每个变量的打印信息，默认为None
   - **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
 
-返回：None
+**返回**
+None
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
 
@@ -184,11 +202,13 @@ train_from_dataset可以非常容易扩展到大规模分布式在线和离线
                                dataset=dataset)
 
 
-.. py:method:: infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+'''''''''
 
 从预定义的数据集中做预测。 数据集在paddle.fluid.dataset中定义。infer_from_dataset的参数与train_from_dataset相同，两者的区别是infer_from_dataset>没有发送梯度和更新参数。infer_from_dataset可以非常容易地用于大规模分布式多线程中的离线评估。
 
-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 (类型是Program)
   - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义Dataset。默认为None
   - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
@@ -198,9 +218,10 @@ train_from_dataset可以非常容易扩展到大规模分布式在线和离线
   - **fetch_info** (String List) – 每个变量的打印信息，默认为None
   - **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
 
-返回：None
+**返回**
+None
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
 

doc/fluid/api_cn/executor_cn/global_scope_cn.rst

@@ -9,11 +9,16 @@ global_scope
 
 获取全局/默认作用域实例。很多API使用默认 ``global_scope`` ，例如 ``Executor.run`` 等。
 
-返回：全局/默认作用域实例
+返回
+::::::::::::
+全局/默认作用域实例
 
-返回类型：Scope
+返回类型
+::::::::::::
+Scope
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/executor_cn/scope_guard_cn.rst

@@ -14,12 +14,17 @@ scope_guard
 当用户需要创建同名的变量时，如果不希望同名的变量映射关系被覆盖，则需要通过该接口切换作用域。
 通过 ``with`` 语句切换后，``with`` 语句块中所有创建的变量都将分配给新的作用域。
 
-参数：
+参数
+::::::::::::
+
   - **scope** (Scope) - 新的作用域。
 
-返回：无
+返回
+::::::::::::
+无
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/fluid_cn/BuildStrategy_cn.rst

@@ -9,7 +9,8 @@ BuildStrategy
 
 ``BuildStrategy`` 使用户更方便地控制 :ref:`cn_api_fluid_ParallelExecutor` 中计算图的建造方法，可通过设置 ``ParallelExecutor`` 中的 ``BuildStrategy`` 成员来实现此功能。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
     
@@ -35,7 +36,10 @@ BuildStrategy
                                          places=places)
 
 
-.. py:attribute:: debug_graphviz_path
+属性
+::::::::::::
+debug_graphviz_path
+'''''''''
 
 str类型。表示以graphviz格式向文件中写入计算图的路径，有利于调试。默认值为空字符串。
 
@@ -48,7 +52,8 @@ str类型。表示以graphviz格式向文件中写入计算图的路径，有利
     build_strategy.debug_graphviz_path = "./graph"
 
 
-.. py:attribute:: enable_sequential_execution
+enable_sequential_execution
+'''''''''
 
 bool类型。如果设置为True，则算子的执行顺序将与算子定义的执行顺序相同。默认为False。
 
@@ -61,7 +66,8 @@ bool类型。如果设置为True，则算子的执行顺序将与算子定义的
     build_strategy.enable_sequential_execution = True
 
 
-.. py:attribute:: fuse_broadcast_ops
+fuse_broadcast_ops
+'''''''''
      
 bool类型。表明是否融合(fuse) broadcast ops。该选项指在Reduce模式下有效，使程序运行更快。默认为False。
 
@@ -74,7 +80,8 @@ bool类型。表明是否融合(fuse) broadcast ops。该选项指在Reduce模
     build_strategy.fuse_broadcast_ops = True
 
      
-.. py:attribute:: fuse_elewise_add_act_ops
+fuse_elewise_add_act_ops
+'''''''''
 
 bool类型。表明是否融合(fuse) elementwise_add_op和activation_op。这会使整体执行过程更快。默认为False。
 
@@ -87,7 +94,8 @@ bool类型。表明是否融合(fuse) elementwise_add_op和activation_op。这
     build_strategy.fuse_elewise_add_act_ops = True
 
 
-.. py:attribute:: fuse_relu_depthwise_conv
+fuse_relu_depthwise_conv
+'''''''''
 
 bool类型。表明是否融合(fuse) relu和depthwise_conv2d，节省GPU内存并可能加速执行过程。此选项仅适用于GPU设备。默认为False。
 
@@ -99,7 +107,8 @@ bool类型。表明是否融合(fuse) relu和depthwise_conv2d，节省GPU内存
     build_strategy = fluid.BuildStrategy()
     build_strategy.fuse_relu_depthwise_conv = True
 
-.. py:attribute:: gradient_scale_strategy
+gradient_scale_strategy
+'''''''''
 
 ``fluid.BuildStrategy.GradientScaleStrategy`` 类型。在 ``ParallelExecutor`` 中，存在三种定义loss对应梯度( *loss@grad* )的方式，分别为 ``CoeffNumDevice``, ``One`` 与 ``Customized``。默认情况下， ``ParallelExecutor`` 根据设备数目来设置 *loss@grad* 。如果用户需要自定义 *loss@grad* ，可以选择 ``Customized`` 方法。默认为 ``CoeffNumDevice`` 。
 
@@ -150,11 +159,13 @@ bool类型。表明是否融合(fuse) relu和depthwise_conv2d，节省GPU内存
                      feed={"X": x, loss_grad_name : loss_grad},
                      fetch_list=[loss.name, loss_grad_name])
 
-.. py:attribute:: memory_optimize
+memory_optimize
+'''''''''
 
 bool类型或None。设为True时可用于减少总内存消耗，False表示不使用，None表示框架会自动选择使用或者不使用优化策略。当前，None意味着当GC不能使用时，优化策略将被使用。默认为None。
 
-.. py:attribute:: reduce_strategy
+reduce_strategy
+'''''''''
 
 ``fluid.BuildStrategy.ReduceStrategy`` 类型。在 ``ParallelExecutor`` 中，存在两种参数梯度聚合策略，即 ``AllReduce`` 和 ``Reduce`` 。如果用户需要在所有执行设备上独立地进行参数更新，可以使用 ``AllReduce`` 。如果使用 ``Reduce`` 策略，所有参数的优化将均匀地分配给不同的执行设备，随之将优化后的参数广播给其他执行设备。
 默认值为 ``AllReduce`` 。
@@ -167,7 +178,8 @@ bool类型或None。设为True时可用于减少总内存消耗，False表示不
     build_strategy = fluid.BuildStrategy()
     build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce
 
-.. py:attribute:: remove_unnecessary_lock
+remove_unnecessary_lock
+'''''''''
 
 bool类型。设置True会去除GPU操作中的一些锁操作， ``ParallelExecutor`` 将运行得更快，默认为True。
 
@@ -180,7 +192,8 @@ bool类型。设置True会去除GPU操作中的一些锁操作， ``ParallelExec
     build_strategy.remove_unnecessary_lock = True
 
 
-.. py:attribute:: sync_batch_norm
+sync_batch_norm
+'''''''''
 
 bool类型。表示是否使用同步的批正则化，即在训练阶段通过多个设备同步均值和方差。当前的实现不支持FP16训练和CPU。并且目前**仅支持**仅在一台机器上进行同步式批正则。默认为 False。
 

doc/fluid/api_cn/fluid_cn/CPUPlace_cn.rst

@@ -7,7 +7,8 @@ CPUPlace
 
 ``CPUPlace`` 是一个设备描述符，表示一个分配或将要分配 ``Tensor`` 或 ``LoDTensor`` 的 ``CPU`` 设备。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/fluid_cn/CUDAPinnedPlace_cn.rst

@@ -8,7 +8,8 @@ CUDAPinnedPlace
 ``CUDAPinnedPlace`` 是一个设备描述符，它所指代的页锁定内存由 CUDA 函数 ``cudaHostAlloc()`` 在主机内存上分配，主机的操作系统将不会对这块内存进行分页和交换操作，可以通过直接内存访问技术访问，加速主机和 GPU 之间的数据拷贝。
 有关 CUDA 的数据转移和 ``pinned memory``，参见 `官方文档 <https://docs.nvidia.com/cuda/cuda-c-best-practices-guide/index.html#pinned-memory>`_ 。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/fluid_cn/CUDAPlace_cn.rst

@@ -15,10 +15,13 @@ CUDAPlace
 可以通过 ``CUDA_VISIBLE_DEVICES`` 环境变量限制程序能够使用的 GPU 设备，程序启动时会遍历当前的可见设备，并从 0 开始为这些设备编号。
 如果没有设置 ``CUDA_VISIBLE_DEVICES``，则默认所有的设备都是可见的，此时逻辑编号与实际编号是相同的。
 
-参数：
+参数
+::::::::::::
+
   - **id** (int，可选) - GPU的设备ID。如果为 ``None``，则默认会使用 id 为 0 的设备。默认值为 ``None``。
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 

doc/fluid/api_cn/fluid_cn/CompiledProgram_cn.rst

@@ -9,15 +9,22 @@ CompiledProgram
 
 CompiledProgram根据 `build_strategy` 的配置将输入的Program或Graph进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等，关于build_strategy更多信息。请参阅  ``fluid.BuildStrategy`` 。
 
-参数：
+参数
+::::::::::::
+
   - **program_or_graph** (Graph|Program): 该参数为被执行的Program或Graph。
   - **build_strategy** (BuildStrategy): 通过配置build_strategy，对计算图进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等。关于build_strategy更多信息，请参阅  ``fluid.BuildStrategy`` 。 默认为None。
 
-返回：初始化后的 ``CompiledProgram`` 对象
+返回
+::::::::::::
+初始化后的 ``CompiledProgram`` 对象
 
-返回类型：CompiledProgram
+返回类型
+::::::::::::
+CompiledProgram
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
         
@@ -42,20 +49,26 @@ CompiledProgram根据 `build_strategy` 的配置将输入的Program或Graph进
                           fetch_list=[loss.name])
 
 
-.. py:method:: with_data_parallel(loss_name=None, build_strategy=None, exec_strategy=None, share_vars_from=None, places=None)
+方法
+::::::::::::
+with_data_parallel(loss_name=None, build_strategy=None, exec_strategy=None, share_vars_from=None, places=None)
+'''''''''
 
 该接口用于将输入的Program或Graph进行转换，以便通过数据并行模式运行该模型。用户可以通过 `build_strategy` 和 `exec_strategy` 设置计算图构建和计算图执行过程中可以进行的一些优化，例如：将梯度聚合的AllReduce操作进行融合、指定计算图运行过程中使用的线程池大小等。**注意：如果在构建CompiledProgram和调用with_data_parallel时都指定了build_strategy，在CompiledProgram中的build_strategy会被复写，因此，如果是数据并行训练，建议在调用with_data_parallel接口时设置build_strategy**。
      
-参数：
+**参数**
+
   - **loss_name** （str） - 该参数为模型最后得到的损失变量的名字，**注意：如果是模型训练，必须设置loss_name，否则计算结果可能会有问题。** 默认为：None。
   - **build_strategy** （BuildStrategy）: 通过配置build_strategy，对计算图进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等。关于build_strategy更多的信息，请参阅  ``fluid.BuildStrategy`` 。 默认为：None。
   - **exec_strategy** （ExecutionStrategy） -  通过exec_strategy指定执行计算图过程可以调整的选项，例如线程池大小等。 关于exec_strategy更多信息，请参阅 ``fluid.ExecutionStrategy`` 。 默认为：None。
   - **share_vars_from** （CompiledProgram） - 如果设置了share_vars_from，当前的CompiledProgram将与share_vars_from指定的CompiledProgram共享参数值。需要设置该参数的情况：模型训练过程中需要进行模型测试，并且训练和测试都是采用数据并行模式，那么测试对应的CompiledProgram在调用with_data_parallel时，需要将share_vars_from设置为训练对应的CompiledProgram。由于CompiledProgram只有在第一次执行时才会将变量分发到其他设备上，因此share_vars_from指定的CompiledProgram必须在当前CompiledProgram之前运行。默认为：None。
   - **places** （list(CUDAPlace)|list(CPUPlace)） - 该参数指定模型运行所在的设备。如果希望在GPU0和GPU1上运行，places为[fluid.CUDAPlace(0), fluid.CUDAPlace(1)]；如果希望使用2个CPU运行，places为[fluid.CPUPlace()] * 2。 如果没有设置该参数，即该参数为None，模型执行时，将从环境变量中获取可用的设备：如果使用GPU，模型执行时，从环境变量FLAGS_selected_gpus或CUDA_VISIBLE_DEVICES中获取当前可用的设备ID；如果使用CPU，模型执行时，从环境变量CPU_NUM中获取当前可利用的CPU个数。例如：export CPU_NUM=4，如果没有设置该环境变量，执行器会在环境变量中添加该变量，并将其值设为1。默认为：None。
 
-返回：配置之后的 ``CompiledProgram`` 对象
+**返回**
+配置之后的 ``CompiledProgram`` 对象
 
-返回类型：CompiledProgram
+**返回类型**
+CompiledProgram
 
 .. note::
      1. 如果只是进行多卡测试，不需要设置loss_name以及share_vars_from。

doc/fluid/api_cn/fluid_cn/DataFeedDesc_cn.rst

@@ -50,11 +50,16 @@ DataFeedDesc
     print(data_feed.desc())
 
 
-参数：
+参数
+::::::::::::
+
   - **proto_file** (string) : 包含数据描述的protobuf message的磁盘文件
 
 
-.. py:method:: set_batch_size(batch_size)
+方法
+::::::::::::
+set_batch_size(batch_size)
+'''''''''
 
 该接口用于设置DataFeedDesc中的 :code:`batch_size` 。可以在训练期间调用修改 :code:`batch_size` 。
 
@@ -84,12 +89,15 @@ DataFeedDesc
     data_feed = fluid.DataFeedDesc('data.proto')
     data_feed.set_batch_size(128)
 
-参数：
+**参数**
+
   - **batch_size** (int) - 新的批尺寸。
 
-返回：无
+**返回**
+无
 
-.. py:method:: set_dense_slots(dense_slots_name)
+set_dense_slots(dense_slots_name)
+'''''''''
 
 将 :code:`dense_slots_name` 指定的slots设置为密集的slot。**注意：默认情况下，所有slots都是稀疏的。**
 
@@ -121,20 +129,24 @@ DataFeedDesc
     data_feed = fluid.DataFeedDesc('data.proto')
     data_feed.set_dense_slots(['words'])
 
-参数：
+**参数**
+
   - **dense_slots_name** (list(str)) - slot名称的列表，这些slot将被设置为密集的。
 
-返回：无
+**返回**
+无
 
-.. py:method:: set_use_slots(use_slots_name)
+set_use_slots(use_slots_name)
+'''''''''
 
 
 设置一个特定的slot是否用于训练。一个数据集包含了很多特征，通过这个函数可以选择哪些特征将用于指定的模型。
 
-参数：
+**参数**
+
   - **use_slots_name** (list) : 将在训练中使用的slot名列表，类型为list，其中每个元素为一个字符串
 
-**代码示例：**
+**代码示例**
 
 .. code-block:: python
     
@@ -165,13 +177,15 @@ DataFeedDesc
   默认值是不使用所有slot
 
 
-.. py:method:: desc()
+desc()
+'''''''''
 
 返回此DataFeedDesc的protobuf message
 
-返回：一个protobuf message字符串
+**返回**
+一个protobuf message字符串
 
-**代码示例：**
+**代码示例**
 
 .. code-block:: python
     

doc/fluid/api_cn/fluid_cn/DataFeeder_cn.rst

@@ -41,17 +41,22 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
 
 
 
-参数：
+参数
+::::::::::::
+
     - **feed_list** (list) – 向模型输入的变量表或者变量表名
     - **place** (Place) – place表明是向GPU还是CPU中输入数据。如果想向GPU中输入数据, 请使用 ``fluid.CUDAPlace(i)`` (i 代表 the GPU id)；如果向CPU中输入数据, 请使用  ``fluid.CPUPlace()``
     - **program** (Program) – 需要向其中输入数据的Program。如果为None, 会默认使用 ``default_main_program()``。 缺省值为None
 
 
-抛出异常:
+抛出异常
+::::::::::::
+
   - ``ValueError``  – 如果一些变量不在此 Program 中
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -83,17 +88,23 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
                      fetch_list=[out])
 
 
-.. py:method:: feed(iterable)
+方法
+::::::::::::
+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
+**返回**
+  转换结果
 
-返回类型: dict
+**返回类型**
+ dict
 
 **代码示例**
 
@@ -114,18 +125,22 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
     result = feeder.feed(reader())
 
 
-.. py:method:: feed_parallel(iterable, num_places=None)
+feed_parallel(iterable, num_places=None)
+'''''''''
 
 
 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。
 
-返回: 转换结果
+**返回**
+ 转换结果
 
-返回类型: dict
+**返回类型**
+ dict
 
 .. note::
      设备（CPU或GPU）的数目必须等于minibatch的数目
@@ -159,23 +174,28 @@ reader通常返回一个minibatch条目列表。在列表中每一条目都是
             exe.run(program=program, feed=list(feeder.feed_parallel(data, place_num)), fetch_list=[])
             data = []
 
-.. py:method::  decorate_reader(reader, multi_devices, num_places=None, drop_last=True)
+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：
+**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``
 
-返回：转换结果
+**返回**
+转换结果
 
-返回类型: dict
+**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
+**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
 
 **代码示例**
 

doc/fluid/api_cn/fluid_cn/DistributeTranspilerConfig_cn.rst

@@ -6,17 +6,22 @@ DistributeTranspilerConfig
 .. py:class:: paddle.fluid.DistributeTranspilerConfig
 
 
-.. py:attribute:: slice_var_up (bool)
+属性
+::::::::::::
+slice_var_up (bool)
+'''''''''
 
 为多个Pserver（parameter server）将tensor切片, 默认为True。
 
-.. py:attribute:: split_method (PSDispatcher)
+split_method (PSDispatcher)
+'''''''''
 
 可使用 RoundRobin 或者 HashName。
 
 注意: 尝试选择最佳方法来达到Pserver间负载均衡。
 
-.. py:attribute:: min_block_size (int)
+min_block_size (int)
+'''''''''
 
 block中分割(split)出的元素个数的最小值。
 

doc/fluid/api_cn/fluid_cn/DistributeTranspiler_cn.rst

@@ -12,15 +12,22 @@ DistributeTranspiler
 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 ``Executor`` 来启动NCCL2分布式模式。
 
 
-参数：
+参数
+::::::::::::
+
         - **config** （DistributeTranspilerConfig） DistributeTranspiler属性配置实例，定义了program转变所需要的属性, 请参考：`DistributeTranspilerConfig` 相关文档。
 
-返回：初始化后的DistributeTranspiler实例
+返回
+::::::::::::
+初始化后的DistributeTranspiler实例
 
-返回类型：实例（DistributeTranspiler）
+返回类型
+::::::::::::
+实例（DistributeTranspiler）
 
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -68,11 +75,15 @@ DistributeTranspiler
 
 
 
-.. py:method:: transpile(trainer_id, program=None, pservers='127.0.0.1:6174', trainers=1, sync_mode=True, startup_program=None, current_endpoint='127.0.0.1:6174')
+方法
+::::::::::::
+transpile(trainer_id, program=None, pservers='127.0.0.1:6174', trainers=1, sync_mode=True, startup_program=None, current_endpoint='127.0.0.1:6174')
+'''''''''
 
 通过此方法，可根据用户配置将单机的program转换为当前节点可用的数据并行的分布式program。
 
-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()``
     - **startup_program** (Program|None) - 要转译的 ``startup_program`` ,默认为 ``fluid.default_startup_program()``
@@ -82,7 +93,8 @@ DistributeTranspiler
     - **startup_program** (Program|None) – 待transpile（转译）的startup_program，默认为 ``fluid.default_main_program()``
     - **current_endpoint** (str) – 当需要把program转译（transpile）至NCCL2模式下时，需要将当前endpoint（终端）传入该参数。PServer模型下，当用户需要使用增量训练时，必须要指定该参数。
 
-返回：None
+**返回**
+None
 
 
 **代码示例**
@@ -98,14 +110,17 @@ DistributeTranspiler
         current_endpoint="127.0.0.1:7000")
 
 
-.. py:method:: get_trainer_program(wait_port=True)
+get_trainer_program(wait_port=True)
+'''''''''
 
 
 该方法可以得到Trainer侧的program。
 
-返回:    Trainer侧的program
+**返回**
+    Trainer侧的program
 
-返回类型:    Program
+**返回类型**
+    Program
 
 **代码示例**
 
@@ -121,17 +136,21 @@ DistributeTranspiler
         trainer_program = t.get_trainer_program()
 
 
-.. py:method:: get_pserver_program(endpoint)
+get_pserver_program(endpoint)
+'''''''''
 
 
 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**
+    当前Pserver需要执行的program
 
-返回类型:    Program
+**返回类型**
+    Program
 
 **代码示例**
 
@@ -149,17 +168,21 @@ DistributeTranspiler
           pserver_program = t.get_pserver_program(current_endpoint)
 
 
-.. py:method:: get_pserver_programs(endpoint)
+get_pserver_programs(endpoint)
+'''''''''
 
 
 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**
+    (main_program, startup_program), “Program”类型的元组
 
-返回类型:    tuple
+**返回类型**
+    tuple
 
 
 **代码示例**
@@ -178,20 +201,24 @@ DistributeTranspiler
           pserver_program, pserver_startup_program = t.get_pserver_programs(current_endpoint)
 
 
-.. py:method:: get_startup_program(endpoint, pserver_program=None, startup_program=None)
+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
 
-返回:    Pserver侧的startup_program
+**返回**
+    Pserver侧的startup_program
 
-返回类型:    Program
+**返回类型**
+    Program
 
 **代码示例**
 

doc/fluid/api_cn/fluid_cn/ExecutionStrategy_cn.rst

@@ -9,11 +9,16 @@ ExecutionStrategy
 
 通过设置 ``ExecutionStrategy`` 中的选项，用户可以对执行器的执行配置进行调整，比如设置执行器中线程池的大小等。
 
-返回：初始化后的ExecutionStrategy的实例
+返回
+::::::::::::
+初始化后的ExecutionStrategy的实例
 
-返回类型：ExecutionStrategy
+返回类型
+::::::::::::
+ExecutionStrategy
 
-**代码示例**
+代码示例
+::::::::::::
 
 .. code-block:: python
 
@@ -36,16 +41,21 @@ ExecutionStrategy
                                        exec_strategy=exec_strategy)
 
 
-.. py:attribute:: num_iteration_per_drop_scope
+属性
+::::::::::::
+num_iteration_per_drop_scope
+'''''''''
 
 int型成员。该选项表示间隔多少次迭代之后清理一次临时变量。模型运行过程中，生成的中间临时变量将被放到local execution scope中，为了避免对临时变量频繁的申请与释放，通常将其设为较大的值（比如10或者100）。默认值为100。
 
 
-.. py:attribute:: num_iteration_per_run
+num_iteration_per_run
+'''''''''
 
 int型成员。它配置了当用户在python脚本中调用pe.run()时执行器会执行的迭代次数。Executor每次调用，会进行num_iteration_per_run次训练，它会使整体执行过程更快。
 
-.. py:attribute:: num_threads
+num_threads
+'''''''''
 
 int型成员。该选项表示当前 ``Executor`` 的线程池(thread pool)的大小, 此线程池可用来并发执行program中的operator（算子，运算）。如果 :math:`num\_threads=1` ，则所有的operator将一个接一个地执行，但在不同的program重复周期(iterations)中执行顺序可能不同。如果该选项没有被设置，则在 ``Executor`` 中，它会依据设备类型(device type)、设备数目(device count)而设置为相应值。对GPU，:math:`num\_threads=device\_count∗4` ；对CPU， :math:`num\_threads=CPU\_NUM∗4` 。在 ``Executor`` 中有关于 :math:`CPU\_NUM` 的详细解释。如果没有设置 :math:`CPU\_NUM` ，则设置默认值为1， 并提示用户进行 :math:`CPU\_NUM` 的设置。
 

doc/fluid/api_cn/fluid_cn/Executor_cn.rst

@@ -10,14 +10,21 @@ Executor
 
 Executor支持单GPU、多GPU以及CPU运行。
 
-参数：
+参数
+::::::::::::
+
     - **place** (fluid.CPUPlace()|fluid.CUDAPlace(N)|None) – 该参数表示Executor执行所在的设备，这里的N为GPU对应的ID。当该参数为 `None` 时，PaddlePaddle会根据其安装版本设置默认的运行设备。当安装的Paddle为CPU版时，默认运行设置会设置成 `CPUPlace()` ，而当Paddle为GPU版时，默认运行设备会设置成 `CUDAPlace(0)` 。默认值为None。
   
-返回：初始化后的 ``Executor`` 对象
+返回
+::::::::::::
+初始化后的 ``Executor`` 对象
 
-返回类型：Executor
+返回类型
+::::::::::::
+Executor
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python
     
@@ -74,14 +81,18 @@ Executor支持单GPU、多GPU以及CPU运行。
                          feed={"X": x},
                          fetch_list=[loss.name])
 
-.. py:method:: close()
+方法
+::::::::::::
+close()
+'''''''''
 
 
 关闭执行器。该接口主要用于对于分布式训练，调用该接口后不可以再使用该执行器。该接口会释放在PServers上和目前Trainer有关联的资源。
 
-返回：无
+**返回**
+无
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
     
@@ -93,11 +104,13 @@ Executor支持单GPU、多GPU以及CPU运行。
     exe.close()
 
 
-.. py:method:: run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_name='fetch', scope=None, return_numpy=True, use_program_cache=False, return_merged=True)
+run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_name='fetch', scope=None, return_numpy=True, use_program_cache=False, return_merged=True)
+'''''''''
 
 执行指定的Program或者CompiledProgram。需要注意的是，执行器会执行Program或CompiledProgram中的所有算子，而不会根据fetch_list对Program或CompiledProgram中的算子进行裁剪。同时，需要传入运行该模型用到的scope，如果没有指定scope，执行器将使用全局scope，即fluid.global_scope()。
 
-参数：  
+**参数**
+  
   - **program** (Program|CompiledProgram) – 该参数为被执行的Program或CompiledProgram，如果未提供该参数，即该参数为None，在该接口内，main_program将被设置为fluid.default_main_program()。默认为：None。
   - **feed** (list|dict) – 该参数表示模型的输入变量。如果是单卡训练，``feed`` 为 ``dict`` 类型，如果是多卡训练，参数 ``feed`` 可以是 ``dict`` 或者 ``list`` 类型变量，如果该参数类型为 ``dict`` ，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU），即输入数据被均匀分配到不同设备上；如果该参数类型为 ``list`` ，则列表中的各个元素都会直接分别被拷贝到各设备中。默认为：None。
   - **fetch_list** (list) – 该参数表示模型运行之后需要返回的变量。默认为：None。
@@ -108,16 +121,18 @@ Executor支持单GPU、多GPU以及CPU运行。
   - **use_program_cache** (bool) – 该参数表示是否对输入的Program进行缓存。如果该参数为True，在以下情况时，模型运行速度可能会更快：输入的program为 ``fluid.Program`` ，并且模型运行过程中，调用该接口的参数（program、 feed变量名和fetch_list变量）名始终不变。默认为：False。
   - **return_merged** (bool) – 该参数表示是否按照执行设备维度将返回的计算结果（fetch list中指定的变量）进行合并。如果 ``return_merged`` 设为False，返回值类型是一个Tensor的二维列表（ ``return_numpy`` 设为Fasle时）或者一个numpy.ndarray的二维列表（ ``return_numpy`` 设为True时）。如果 ``return_merged`` 设为True，返回值类型是一个Tensor的一维列表（ ``return_numpy`` 设为Fasle时）或者一个numpy.ndarray的一维列表（ ``return_numpy`` 设为True时）。更多细节请参考示例代码2。如果返回的计算结果是变长的，请设置 ``return_merged`` 为False，即不按照执行设备维度合并返回的计算结果。该参数的默认值为True，但这仅是为了兼容性考虑，在未来的版本中默认值可能会更改为False。
 
-返回：返回fetch_list中指定的变量值
+**返回**
+返回fetch_list中指定的变量值
 
-返回类型：List
+**返回类型**
+List
 
 .. note::
      1. 如果是多卡训练，并且feed参数为dict类型，输入数据将被均匀分配到不同的卡上，例如：使用2块GPU训练，输入样本数为3，即[0, 1, 2]，经过拆分之后，GPU0上的样本数为1，即[0]，GPU1上的样本数为2，即[1, 2]。如果样本数少于设备数，程序会报错，因此运行模型时，应额外注意数据集的最后一个batch的样本数是否少于当前可用的CPU核数或GPU卡数，如果是少于，建议丢弃该batch。
      2. 如果可用的CPU核数或GPU卡数大于1，则fetch出来的结果为不同设备上的相同变量值（fetch_list中的变量）在第0维拼接在一起。
 
 
-**示例代码1**
+**代码示例 1**
 
 .. code-block:: python
 
@@ -142,7 +157,7 @@ Executor支持单GPU、多GPU以及CPU运行。
                            fetch_list=[loss.name])
 
 
-**示例代码2**
+**代码示例 2**
 
 .. code-block:: python
 
@@ -197,11 +212,13 @@ Executor支持单GPU、多GPU以及CPU运行。
             #  [-0.44514108 -0.2345845 ]]
 
 
-.. py:method:: infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+'''''''''
 
 infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在分布式训练中，推进梯度将在infer_from_dataset中禁用。 infer_from_dataset（）可以非常容易地用于多线程中的评估。
 
-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)
   - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
   - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
@@ -211,9 +228,10 @@ infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在
   - **fetch_info** (String List) – 每个变量的打印信息，默认为None
   - **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
 
-返回：None
+**返回**
+None
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
 
@@ -231,13 +249,15 @@ infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在
   exe.infer_from_dataset(program=fluid.default_main_program(),dataset=dataset)
      
 
-.. py:method:: train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+'''''''''
 
 从预定义的数据集中训练。 数据集在paddle.fluid.dataset中定义。 给定程序（或编译程序），train_from_dataset将使用数据集中的所有数据样本。 输入范围可由用户给出。 默认情况下，范围是global_scope()。训练中的线程总数是thread。 训练中使用的线程数将是数据集中threadnum的最小值，同时也是此接口中线程的值。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。
 
 注意：train_from_dataset将销毁每次运行在executor中创建的所有资源。
 
-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)
   - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
   - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
@@ -247,9 +267,10 @@ infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在
   - **fetch_info** (String List) – 每个变量的打印信息，默认为None
   - **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
 
-返回：None
+**返回**
+None
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
 

doc/fluid/api_cn/fluid_cn/LoDTensorArray_cn.rst

@@ -7,7 +7,8 @@ LoDTensorArray
 
 LoDTensorArray是由LoDTensor组成的数组，支持"[]"运算符、len()函数和for迭代等。
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python
         
@@ -17,16 +18,21 @@ LoDTensorArray是由LoDTensor组成的数组，支持"[]"运算符、len()函数
 
 
 
-.. py:method:: append(self: paddle.fluid.core_avx.LoDTensorArray, tensor: paddle.fluid.core.LoDTensor) → None
+方法
+::::::::::::
+append(self: paddle.fluid.core_avx.LoDTensorArray, tensor: paddle.fluid.core.LoDTensor) → None
+'''''''''
 
 该接口将LoDTensor追加到LoDTensorArray后。
 
-参数：
+**参数**
+
   - **tensor** (LoDTensor) - 追加的LoDTensor。
 
-返回：无。
+**返回**
+无。
 
-**示例代码**
+**代码示例**
 
 .. code-block:: python
 

doc/fluid/api_cn/fluid_cn/disable_dygraph_cn.rst

@@ -7,9 +7,12 @@ disable_dygraph
 
 该接口关闭动态图模式。
 
-返回：无
+返回
+::::::::::::
+无
 
-**示例代码**
+代码示例
+::::::::::::
 
 .. code-block:: python