fix zhangwenhui03' cn api, test=develop, test=document_preview (#1176)

* fix api, test=develop, test=document_preview

doc/fluid/api_cn/initializer_cn/NumpyArrayInitializer_cn.rst

@@ -5,11 +5,15 @@ NumpyArrayInitializer
 
 .. py:class:: paddle.fluid.initializer.NumpyArrayInitializer(value)
 
-使用Numpy型数组来初始化参数变量。
+该OP使用Numpy型数组来初始化参数变量。
 
 参数：
         - **value** （numpy） - 用于初始化变量的一个Numpy型数组。
 
+返回：张量（Tensor）
+
+返回类型：变量（Variable）
+
 **代码示例**
 
 .. code-block:: python

doc/fluid/api_cn/layers_cn/bpr_loss_cn.rst

@@ -6,22 +6,32 @@ bpr_loss
 .. py:function:: paddle.fluid.layers.bpr_loss(input, label, name=None)
 
 
-贝叶斯个性化排序损失计算（Bayesian Personalized Ranking Loss Operator ）
+贝叶斯个性化排序损失函数（Bayesian Personalized Ranking Loss Operator ）
 
-该算子属于pairwise的排序类型，其标签是期望物品。在某次会话中某一给定点的损失值由下式计算而得:
+该OP属于pairwise类型的损失函数。损失值由下式计算而得:
 
 .. math::
 
-  \[Y[i] = 1/(N[i] - 1) * \sum_j{\log(\sigma(X[i, Label[i]]-X[i, j]))}\]
+  Y[i] = 1/(N[i] - 1) * \sum_j{\log(\sigma(X[i, Label[i]]-X[i, j]))}
 
-更多细节请参考 `Session Based Recommendations with Recurrent Neural Networks`_
+其中：
+    - :math:`X` ：输入值，一个形为[T x D]的2-D Tensor, 此处为logit值。
+    - :math:`N[i]` ： 在时间步i的正例和负例的总和。
+    - :math:`Label[i]` ：在时间步i的正例下标。
+    - :math:`\sigma` ：激活函数。
+    - :math:`Y` ：输出值，一个形为[T x 1]的2-D Tensor。
+    
+
+更多细节请参考 `Session Based Recommendations with Recurrent Neural Networks`
 
 参数:
-  - **input** (Variable|list) - 一个形为[N x D]的2-D tensor , 其中 N 为批大小batch size ，D 为种类的数量。该输入为logits而非概率。
-  - **label** (Variable|list) - 2-D tensor<int64> 类型的真实值, 形为[N x 1]
-  - **name** (str|None) - （可选）该层的命名。 如果为None, 则自动为该层命名。 默认为None.
+  - **input** (Variable) - 形为[T x D] , Tensor类型时T为batch大小，LoDTensor类型时T为mini-batch的总时间步。D 为正例加负例的个数。该输入为logits而非概率。数据类型是float32或float64。
+  - **label** (Variable) - 形为[T x 1]，表示input中正例的下标，数据类型为int64。。
+  - **name** (None|str) – 该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` ，默认值为None。
+
+返回: 形为[T x 1]的2D张量，数据类型同input相同，表示bpr损失值。
 
-返回: 形为[N x 1]的2D张量，即bpr损失
+返回类型：Variable
 
 **代码示例：**
 
@@ -29,14 +39,13 @@ bpr_loss
 
     import paddle.fluid as fluid
      
-    neg_size = 10
+    neg_size = 3
+    # label=[0]
     label = fluid.layers.data(
               name="label", shape=[1], dtype="int64")
+    # predict = [0.1, 0.2, 0.3, 0.4]
     predict = fluid.layers.data(
               name="predict", shape=[neg_size + 1], dtype="float32")
+    # bpr_Loss : label [0] 表示predict中下标0表示正例，即为0.1, 负例有3个为0.2,0.3,0.4
     cost = fluid.layers.bpr_loss(input=predict, label=label)
 
-
-
-
-

doc/fluid/api_cn/layers_cn/data_norm_cn.rst

@@ -24,7 +24,7 @@ data_norm
         y_i &\gets \gamma \hat{x_i} + \beta \qquad &//\ scale\ and\ shift
 
 参数:
-  - **input** （variable） - 输入变量，它是一个LoDTensor。
+  - **input** （Variable） - 输入变量，它是一个LoDTensor。
   - **act** （string，默认None） - 激活函数类型，线性| relu | prelu | ...
   - **epsilon** （float，默认1e-05） -
   - **param_attr** （ParamAttr） - 参数比例的参数属性。

doc/fluid/api_cn/layers_cn/load_cn.rst

@@ -5,24 +5,24 @@ load
 
 .. py:function:: paddle.fluid.layers.load(out, file_path, load_as_fp16=None)
 
-Load操作命令将从磁盘文件中加载LoDTensor/SelectedRows变量。
+该OP操作将从磁盘文件中加载LoDTensor/SelectedRows变量。
 
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    tmp_tensor = fluid.layers.create_tensor(dtype='float32')
-    fluid.layers.load(tmp_tensor, "./tmp_tensor.bin")
 
 参数：
-    - **out** (Variable)-需要加载的LoDTensor或SelectedRows
-    - **file_path** (STRING)-预从“file_path”中加载的变量Variable
-    - **load_as_fp16** (BOOLEAN)-如果为真，张量首先进行加载然后类型转换成float16。如果为假，张量将直接加载，不需要进行数据类型转换。默认为false。
+    - **out** (Variable) - 需要加载的LoDTensor或SelectedRows。
+    - **file_path** (str) - 从“file_path”中加载的变量Variable
+    - **load_as_fp16** (BOOLEAN) - 如果为真，张量首先进行加载然后类型转换成float16。如果为假，张量将直接加载，不需要进行数据类型转换。默认为false。
 
 返回：None
 
+**代码示例：**
 
 
+.. code-block:: python
 
+    import paddle.fluid as fluid
+    tmp_tensor = fluid.layers.create_tensor(dtype='float32')
+    fluid.layers.load(tmp_tensor, "./tmp_tensor.bin")
 
 
 

doc/fluid/api_cn/layers_cn/teacher_student_sigmoid_loss_cn.rst

@@ -7,22 +7,30 @@ teacher_student_sigmoid_loss
 
 **Teacher Student Log Loss Layer（教师--学生对数损失层）**
 
-此图层接受输入预测和目标标签，并返回teacher_student损失。
+定制化需求，用于student萃取teacher的值。此图层接受输入预测和目标标签，并返回teacher_student损失。
+z表示是否点击，z'表示teacher q值。label取值范围{-2，-1，[0, 2]}
+teacher q值不存在时，点击时label为-1，否则为-2。
+teacher q值存在时，点击时label为z'，否则为1 + z'。
 
 .. math::
 
     loss = max(x, 0) - x * z + log(1 + exp(-abs(x))) + max(x, 0) - x * z' + log(1 + exp(-abs(x)))
 
+其中：
+    - :math:`x` ：预测输入值。
+    - :math:`z` ：是否点击。
+    - :math:`z'` ：teacher q值。
+
 
 参数：
-  - **input**  (Variable|list) – 形状为[N x 1]的二维张量，其中N是批大小batch size。 该输入是由前一个运算计算而得的概率。
-  - **label**  (Variable|list) – 具有形状[N x 1]的二维张量的真实值，其中N是批大小batch_size。
-  - **soft_max_up_bound**  (float) – 若input > soft_max_up_bound, 输入会被向下限制。默认为15.0
-  - **soft_max_lower_bound**  (float) – 若input < soft_max_lower_bound, 输入将会被向上限制。默认为-15.0
+  - **input**  (Variable) – 形状为[N x 1]的2-d Tensor，其中N是批大小batch size。 该输入是由前一个运算计算而得的概率，数据类型为float32或者float64。
+  - **label**  (Variable) – 具有形状[N x 1]的2-d Tensor的真实值，其中N是批大小batch_size，数据类型为float32或者float64。
+  - **soft_max_up_bound**  (float) – 若input > soft_max_up_bound, 输入会被向下限制。默认为15.0 。
+  - **soft_max_lower_bound**  (float) – 若input < soft_max_lower_bound, 输入将会被向上限制。默认为-15.0 。
 
-返回：具有形状[N x 1]的2-D张量，teacher_student_sigmoid_loss。
+返回：具有形状[N x 1]的2-D Tensor，teacher_student_sigmoid_loss。
 
-返回类型：变量
+返回类型：Variable
 
 **代码示例**：