update conv, pool, fc op for dygraph (#1235)

* update Conv2D_cn.rst, test=develop

* update conv and pool op, test=develop

* fix Conv2DTranspose_cn.rst, Conv2D_cn.rst, test=develop

* add comment for class Layer, test=develop

* add comment for class Layer, test=develop

* add comment for dygraph layer, test=develop

* add comment for dygraph layer, test=develop

* add comment for name, test=develop

doc/fluid/api_cn/dygraph_cn/Conv2DTranspose_cn.rst

@@ -5,93 +5,81 @@ Conv2DTranspose
 
 .. py:class:: paddle.fluid.dygraph.Conv2DTranspose(name_scope, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None)
 
+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。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>`_ 。
 
-2-D卷积转置层（Convlution2D transpose layer）
-
-该层根据 输入（input）、滤波器（filter）和卷积核膨胀（dilations）、步长（stride）、填充（padding）来计算输出。输入(Input)和输出(Output)为NCHW格式，其中 ``N`` 为batch大小， ``C`` 为通道数（channel），``H`` 为特征高度， ``W`` 为特征宽度。参数(膨胀、步长、填充)分别都包含两个元素。这两个元素分别表示高度和宽度。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`` 和 ``act`` 不为 ``None``，则在卷积的输出中加入偏置，并对最终结果应用相应的激活函数。
-
-.. _参考文献: http://www.matthewzeiler.com/wp-content/uploads/2017/07/cvpr2010.pdf
-
-输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
+输入 ``X`` 和输出 ``Out`` 的函数关系如下：
 
 .. math::
                         Out=\sigma (W*X+b)\\
 
 其中：
-    -  :math:`X` : 输入张量，具有 ``NCHW`` 格式
-
-    -  :math:`W` : 滤波器张量，具有 ``NCHW`` 格式
-
-    -  :math:`*` : 卷积操作
-
-    -  :math:`b` : 偏置（bias），二维张量，shape为 ``[M,1]``
-
-    -  :math:`σ` : 激活函数
-
-    -  :math:`Out` : 输出值，Out和 ``X`` 的 ``shape`` 可能不一样
-
-**样例**：
+    - :math:`X` ：输入特征图， ``NCHW`` 格式的 ``Tensor``
+    - :math:`W` ：滤波器，维度为 [M, C, H, W] 的 ``Tensor``
+    - :math:`*` ：卷积操作
+    - :math:`b` ：偏移值，2-D ``Tensor`` ，维度为 ``[M,1]``
+    - :math:`\sigma` ：激活函数
+    - :math:`Out` ：输出值， ``Out`` 和 ``X`` 的维度可能不同
 
-输入：
+**输出维度计算示例**
 
-.. math::
+- 输入：
 
-    输入张量的shape :  （N，C_{in}， H_{in}， W_{in})
+  输入维度： :math:`(N,C_{in},H_{in},W_{in})`
 
-    滤波器（filter）shape ： （C_{in}, C_{out}, H_f, W_f)
+  滤波器维度： :math:`(C_{out},C_{in},H_{f},W_{f})`
 
-输出：
+- 输出：
 
-.. math::
-    输出张量的 shape ： （N，C_{out}, H_{out}, W_{out})
+  输出维度： :math:`(N,C_{out},H_{out},W_{out})`
 
-其中
+- 其中
 
 .. math::
 
-        & H'_{out} = (H_{in}-1)*strides[0]-2*paddings[0]+dilations[0]*(H_f-1)+1\\
-        & W'_{out} = (W_{in}-1)*strides[1]-2*paddings[1]+dilations[1]*(W_f-1)+1 \\
-        & H_{out}\in[H'_{out},H'_{out} + strides[0])\\
-        & W_{out}\in[W'_{out},W'_{out} + strides[1])\\
-
-
-
-参数:
-    - **name_scope** (str) - 该类的名称
-    - **num_filters** (int) - 滤波器（卷积核）的个数，与输出的图片的通道数（ channel ）相同
-    - **output_size** (int|tuple|None) - 输出图片的大小。如果output_size是一个元组（tuple），则该元形式为（image_H,image_W),这两个值必须为整型。如果output_size=None,则内部会使用filter_size、padding和stride来计算output_size。如果output_size和filter_size是同时指定的，那么它们应满足上面的公式。默认为None。
-    - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个tuple，则形式为(filter_size_H, filter_size_W)。否则，滤波器将是一个方阵。如果filter_size=None，则内部会计算输出大小。默认为None。
-    - **padding** (int|tuple) - 填充大小。如果padding是一个元组，它必须包含两个整数(padding_H、padding_W)。否则，padding_H = padding_W = padding。默认:padding = 0。
-    - **stride** (int|tuple) - 步长大小。如果stride是一个元组，那么元组的形式为(stride_H、stride_W)。否则，stride_H = stride_W = stride。默认:stride = 1。
-    - **dilation** (int|元组) - 膨胀(dilation)大小。如果dilation是一个元组，那么元组的形式为(dilation_H, dilation_W)。否则，dilation_H = dilation_W = dilation_W。默认:dilation= 1。
-    - **groups** (int) - Conv2d转置层的groups个数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发，当group=2时，前半部分滤波器只连接到输入通道的前半部分，而后半部分滤波器只连接到输入通道的后半部分。默认值:group = 1。
-    - **param_attr** (ParamAttr|None) - conv2d_transfer中可学习参数/权重的属性。如果param_attr值为None或ParamAttr的一个属性，conv2d_transfer使用ParamAttrs作为param_attr的值。如果没有设置的param_attr初始化器，那么使用Xavier初始化。默认值:None。
-    - **bias_attr** (ParamAttr|bool|None) - conv2d_tran_bias中的bias属性。如果设置为False，则不会向输出单元添加偏置。如果param_attr值为None或ParamAttr的一个属性，将conv2d_transfer使用ParamAttrs作为，bias_attr。如果没有设置bias_attr的初始化器，bias将初始化为零。默认值:None。
-    - **use_cudnn** (bool) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认值:True。
-    - **act** (str) -  激活函数类型，如果设置为None，则不使用激活函数。默认值:None。
-
-
-返回： 存储卷积转置结果的张量。
-
-返回类型: 变量（variable）
-
-抛出异常:
-    -  ``ValueError`` : 如果输入的shape、filter_size、stride、padding和groups不匹配，抛出ValueError
+        & H'_{out} = (H_{in}-1)*strides[0]-2*paddings[0]+dilations[0]*(H_f-1)+1
+        
+        & W'_{out} = (W_{in}-1)*strides[1]-2*paddings[1]+dilations[1]*(W_f-1)+1
+        
+        & H_{out}\in[H'_{out},H'_{out} + strides[0])
+        
+        & W_{out}\in[W'_{out},W'_{out} + strides[1])
+
+参数：
+    - **name_scope** (str) - 类的名称。
+    - **num_filters** (int) - 滤波器的个数，和输出特征图个数相同。
+    - **output_size** (int|tuple, 可选) - 输出特征图的大小。如果 ``output_size`` 是一个元组，则必须包含两个整型数，分别表示特征图高度和宽度。如果 ``output_size`` 是整型，表示特征图高度和宽度均为 ``output_size`` 。如果 ``output_size`` 为None，则会根据 ``filter_size`` 、 ``padding`` 和 ``stride`` 来计算 ``output_size`` 。如果 ``output_size`` 和 ``filter_size`` 同时指定，那么它们应满足上面的公式。默认值：None。
+    - **filter_size** (int|tuple, 可选) - 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`` 。如果 ``filter_size`` 为None，则会根据 ``output_size`` 、 ``padding`` 和 ``stride`` 来计算 ``filter_size`` 。默认值：None。
+    - **padding** (int|tuple, 可选) - 填充大小。如果 ``padding`` 为元组，则必须包含两个整型数，分别表示竖直和水平边界填充大小。否则，表示竖直和水平边界填充大小均为 ``padding`` 。默认值：0。
+    - **stride** (int|tuple, 可选) - 步长大小。如果 ``stride`` 为元组，则必须包含两个整型数，分别表示垂直和水平滑动步长。否则，表示垂直和水平滑动步长均为 ``stride`` 。默认值：1。
+    - **dilation** (int|tuple, 可选) - 膨胀系数大小。如果 ``dialation`` 为元组，则必须包含两个整型数，分别表示垂直和水平膨胀系数。否则，表示垂直和水平膨胀系数均为 ``dialation`` 。默认值：1。
+    - **groups** (int, 可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的分组卷积：当group=2，滤波器的前一半仅和输入特征图的前一半连接。滤波器的后一半仅和输入特征图的后一半连接。默认值：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|bool, 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) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认值:True。
+    - **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。
+
+返回：无
 
 **代码示例**
 
 .. code-block:: python
 
     import paddle.fluid as fluid
-    import numpy
+    import numpy as np
 
     with fluid.dygraph.guard():
-        data = numpy.random.random((3, 32, 32)).astype('float32')
+        data = np.random.random((3, 32, 32, 5)).astype('float32')
         conv2DTranspose = fluid.dygraph.nn.Conv2DTranspose(
               'Conv2DTranspose', num_filters=2, filter_size=3)
         ret = conv2DTranspose(fluid.dygraph.base.to_variable(data))
 
+属性
+::::::::::::
+.. py:attribute:: weight
 
+本层的可学习参数，类型为 ``Parameter``
 
+.. py:attribute:: bias
 
+本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/Conv2D_cn.rst

@@ -5,35 +5,35 @@ Conv2D
 
 .. py:class:: paddle.fluid.dygraph.Conv2D(name_scope, 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')
 
-卷积二维层（convolution2D layer）根据输入、滤波器（filter）、步长（stride）、填充（padding）、dilations、一组参数计算输出。输入和输出是NCHW格式，N是批尺寸，C是通道数，H是特征高度，W是特征宽度。滤波器是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL's : `卷积 <http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/>`_ 。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。
+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：
+对每个输入 ``X`` ，有等式：
 
 .. math::
 
     Out = \sigma \left ( W * X + b \right )
 
 其中：
-    - :math:`X` ：输入值，NCHW格式的张量（Tensor）
-    - :math:`W` ：滤波器值，MCHW格式的张量（Tensor）
-    - :math:`*` ： 卷积操作
-    - :math:`b` ：Bias值，二维张量（Tensor），shape为 ``[M,1]``
+    - :math:`X` ：输入特征图， ``NCHW`` 格式的 ``Tensor``
+    - :math:`W` ：滤波器，维度为 [M, C, H, W] 的 ``Tensor``
+    - :math:`*` ：卷积操作
+    - :math:`b` ：偏移值，2-D ``Tensor`` ，维度为 ``[M,1]``
     - :math:`\sigma` ：激活函数
-    - :math:`Out` ：输出值，``Out`` 和 ``X`` 的shape可能不同
+    - :math:`Out` ：输出值， ``Out`` 和 ``X`` 的维度可能不同
 
-**示例**
+**输出维度计算示例**
 
 - 输入：
 
-  输入shape：:math:`( N,C_{in},H_{in},W_{in} )`
+  输入维度： :math:`(N,C_{in},H_{in},W_{in})`
 
-  滤波器shape： :math:`( C_{out},C_{in},H_{f},W_{f} )`
+  滤波器维度： :math:`(C_{out},C_{in},H_{f},W_{f})`
 
 - 输出：
 
-  输出shape： :math:`( N,C_{out},H_{out},W_{out} )`
+  输出维度： :math:`(N,C_{out},H_{out},W_{out})`
 
-其中
+- 其中
 
 .. math::
 
@@ -42,22 +42,23 @@ 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：
-    - **name_scope** (str) - 该类的名称
-    - **num_fliters** (int) - 滤波器数。和输出图像通道相同
-    - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个元组，则必须包含两个整型数，（filter_size，filter_size_W）。否则，滤波器为square
-    - **stride** (int|tuple) - 步长(stride)大小。如果步长（stride）为元组，则必须包含两个整型数，（stride_H,stride_W）。否则，stride_H = stride_W = stride。默认：stride = 1
-    - **padding** (int|tuple) - 填充（padding）大小。如果填充（padding）为元组，则必须包含两个整型数，（padding_H,padding_W)。否则，padding_H = padding_W = padding。默认：padding = 0
-    - **dilation** (int|tuple) - 膨胀（dilation）大小。如果膨胀（dialation）为元组，则必须包含两个整型数，（dilation_H,dilation_W）。否则，dilation_H = dilation_W = dilation。默认：dilation = 1
-    - **groups** (int) - 卷积二维层（Conv2D 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，滤波器的前一半仅和输入通道的前一半连接。滤波器的后一半仅和输入通道的后一半连接。默认：groups = 1
-    - **param_attr** (ParamAttr|None) - conv2d的可学习参数/权重的参数属性。如果设为None或者ParamAttr的一个属性，conv2d创建ParamAttr为param_attr。如果param_attr的初始化函数未设置，参数则初始化为 :math:`Normal(0.0,std)` ，并且std为 :math:`\frac{2.0}{filter\_elem\_num}^{0.5}` 。默认为None
-    - **bias_attr** (ParamAttr|bool|None) - conv2d bias的参数属性。如果设为False，则没有bias加到输出。如果设为None或者ParamAttr的一个属性，conv2d创建ParamAttr为bias_attr。如果bias_attr的初始化函数未设置，bias初始化为0.默认为None
-    - **use_cudnn** （bool） - 是否用cudnn核，仅当下载cudnn库才有效。默认：True
-    - **act** (str) - 激活函数类型，如果设为None，则未添加激活函数。默认：None
-
-
-抛出异常:
-  - ``ValueError`` - 如果输入shape和filter_size，stride,padding和groups不匹配。
-
+    - **name_scope** (str) - 类的名称。
+    - **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`` 。
+    - **stride** (int|tuple, 可选) - 步长大小。如果 ``stride`` 为元组，则必须包含两个整型数，分别表示垂直和水平滑动步长。否则，表示垂直和水平滑动步长均为 ``stride`` 。默认值：1。
+    - **padding** (int|tuple, 可选) - 填充大小。如果 ``padding`` 为元组，则必须包含两个整型数，分别表示竖直和水平边界填充大小。否则，表示竖直和水平边界填充大小均为 ``padding`` 。默认值：0。
+    - **dilation** (int|tuple, 可选) - 膨胀系数大小。如果 ``dialation`` 为元组，则必须包含两个整型数，分别表示垂直和水平膨胀系数。否则，表示垂直和水平膨胀系数均为 ``dialation`` 。默认值：1。
+    - **groups** (int, 可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的分组卷积：当group=2，滤波器的前一半仅和输入特征图的前一半连接。滤波器的后一半仅和输入特征图的后一半连接。默认值：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|bool, 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核，只有已安装cudnn库时才有效。默认值：True。
+    - **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
+
+抛出异常：
+    - ``ValueError`` - 如果 ``use_cudnn`` 不是bool值
 
 **代码示例**
 
@@ -68,16 +69,19 @@ Conv2D
     from paddle.fluid.dygraph import Conv2D
     import numpy as np
 
-    data = np.random.uniform( -1, 1, [10, 3, 32, 32] ).astype('float32')
+    data = np.random.uniform(-1, 1, [10, 3, 32, 32]).astype('float32')
     with fluid.dygraph.guard():
-        conv2d = Conv2D( "conv2d", 2, 3)
-        data = to_variable( data )
-        conv = conv2d( data )
-
-
-
+        conv2d = Conv2D("conv2d", 2, 3)
+        data = to_variable(data)
+        conv = conv2d(data)
 
+属性
+::::::::::::
+.. py:attribute:: weight
 
+本层的可学习参数，类型为 ``Parameter``
 
+.. py:attribute:: bias
 
+本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/FC_cn.rst

@@ -6,13 +6,11 @@ FC
 .. py:class:: paddle.fluid.dygraph.FC(name_scope, size, num_flatten_dims=1, param_attr=None, bias_attr=None, act=None, is_test=False, dtype='float32')
 
 
-
-
 **全连接层**
 
-该函数在神经网络中建立一个全连接层。 它可以将一个或多个tensor（ ``input`` 可以是一个list或者Variable，详见参数说明）作为自己的输入，并为每个输入的tensor创立一个变量，称为“权”（weights），等价于一个从每个输入单元到每个输出单元的全连接权矩阵。FC层用每个tensor和它对应的权相乘得到形状为[M, size]输出tensor，M是批大小。如果有多个输入tensor，那么形状为[M, size]的多个输出张量的结果将会被加起来。如果 ``bias_attr`` 非空，则会新创建一个偏向变量（bias variable），并把它加入到输出结果的运算中。最后，如果 ``act`` 非空，它也会加入最终输出的计算中。
+该接口用于构建 ``FC`` 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全连接层。其输入可以是一个 ``Tensor`` 或多个 ``Tensor`` 组成的list（详见参数说明），该接口会为每个输入的Tensor创建一个权重（weights）变量，即一个从每个输入单元到每个输出单元的全连接权重矩阵。全连接层将每个输入Tensor和其对应的权重(weights)相乘得到shape为 :math:`[N, size]` 的输出Tensor，其中N为batch_size大小。如果有多个输入Tensor，则多个shape为 :math:`[N, size]` 的Tensor计算结果会被累加起来，作为最终输出。如果 ``bias_attr`` 非空，则会创建一个偏置变量（bias Variable），并把它累加到输出结果中。如果 ``act`` 非空，将会在输出结果上应用相应的激活函数。
 
-当输入为单个张量：
+当输入为单个 ``Tensor`` ：
 
 .. math::
 
@@ -20,7 +18,7 @@ FC
 
 
 
-当输入为多个张量：
+当输入为多个 ``Tensor`` 组成的list时：
 
 .. math::
 
@@ -28,42 +26,56 @@ FC
 
 
 上述等式中：
-  - :math:`N` ：输入的数目,如果输入是变量列表，N等于len（input）
-  - :math:`X_i` ：第i个输入的tensor
+  - :math:`N` ：输入的数目,如果输入是Tensor列表，N等于len（input）
+  - :math:`X_i` ：第i个输入的Tensor
   - :math:`W_i` ：对应第i个输入张量的第i个权重矩阵
-  - :math:`b` ：该层创立的bias参数
-  - :math:`Act` ：activation function(激励函数)
-  - :math:`Out` ：输出tensor
+  - :math:`b` ：该层创建的bias参数
+  - :math:`Act` ：激活函数
+  - :math:`Out` ：输出Tensor
 
 ::
+            
+        Case 1： 
+            给定单个输入Tensor data_1, 且num_flatten_dims = 2:
+                data_1.data = [[[0.1, 0.2],
+                               [0.3, 0.4]]]
+                data_1.shape = (1, 2, 2) # 1是batch_size
+                
+                fc = FC("fc", 1, num_flatten_dims=2)
+                out = fc(data_1)
+
+            则输出为：
+                out.data = [[0.83234344], [0.34936576]]
+                out.shape = (1, 2, 1)
 
-            Given:
+
+        Case 2: 
+            给定多个Tensor组成的list:
                 data_1.data = [[[0.1, 0.2],
                                [0.3, 0.4]]]
-                data_1.shape = (1, 2, 2) # 1 is batch_size
+                data_1.shape = (1, 2, 2) # 1 是 batch_size
 
                 data_2 = [[[0.1, 0.2, 0.3]]]
                 data_2.shape = (1, 1, 3)
 
-                out = fluid.layers.fc(input=[data_1, data_2], size=2)
+                fc = FC("fc", 2)
+                out = fc([data_1, data_2])
 
-            Then:
+            则输出为：
                 out.data = [[0.18669507, 0.1893476]]
                 out.shape = (1, 2)
 
-
 参数:
-  - **name_scope** (str) – 该类的名称
-  - **size** (int) – 该层输出单元的数目
-  - **num_flatten_dims** (int) – fc层可以接受一个维度大于2的tensor。此时， 它首先会被扁平化(flattened)为一个二维矩阵。 参数 ``num_flatten_dims`` 决定了输入tensor的flattened方式: 前 ``num_flatten_dims`` (包含边界，从1开始数) 个维度会被扁平化为最终矩阵的第一维 (维度即为矩阵的高), 剩下的 rank(X) - num_flatten_dims 维被扁平化为最终矩阵的第二维 (即矩阵的宽)。 例如， 假设X是一个五维tensor，其形可描述为[2, 3, 4, 5, 6], 且num_flatten_dims = 3。那么扁平化的矩阵形状将会如此： [2 x 3 x 4, 5 x 6] = [24, 30]。默认为1。
-  - **param_attr** (ParamAttr|list of ParamAttr|None) – 该层可学习的参数/权的参数属性
-  - **bias_attr** (ParamAttr|list of ParamAttr, default None) – 该层bias变量的参数属性。如果值为False， 则bias变量不参与输出单元运算。 如果值为None，bias变量被初始化为0。默认为 None。
-  - **act** (str|None) – 应用于输出的Activation（激励函数）
-  - **is_test** (bool) – 表明当前执行是否处于测试阶段的标志。默认为False。
-  - **dtype** (str) – 权重的数据类型
+  - **name_scope** (str) – 类的名称。
+  - **size** (int) – 全连接层输出单元的数目，即输出 ``Tensor`` 的特征维度。
+  - **num_flatten_dims** (int, 可选) – fc层可以接受一个维度大于2的tensor。此时， 它首先会被扁平化(flattened)为一个二维矩阵。 参数 ``num_flatten_dims`` 决定了输入tensor的flattened方式: 前 ``num_flatten_dims`` (包含边界，从1开始数) 个维度会被扁平化为最终矩阵的第一维 (维度即为矩阵的高), 剩下的 rank(X) - num_flatten_dims 维被扁平化为最终矩阵的第二维 (即矩阵的宽)。 例如， 假设X是一个五维tensor，其形可描述为[2, 3, 4, 5, 6], 且num_flatten_dims = 3。那么扁平化的矩阵形状将会如此： [2 x 3 x 4, 5 x 6] = [24, 30]。默认为1。
+  - **param_attr** (ParamAttr|list of 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|list of 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` 。
+  - **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) – 表明当前执行是否处于测试阶段的标志。默认为False。
+  - **dtype** (str, 可选) – 权重的数据类型，可以为float32或float64。默认为float32。
 
-
-弹出异常：``ValueError`` - 如果输入tensor的维度小于2
+返回：无
 
 **代码示例**
 
@@ -77,9 +89,16 @@ FC
     data = np.random.uniform( -1, 1, [30, 10, 32] ).astype('float32')
     with fluid.dygraph.guard():
         fc = FC( "fc", 64, num_flatten_dims=2)
-        data = to_variable( data )
-        conv = fc( data )
+        data = to_variable(data)
+        conv = fc(data)
+
+属性
+::::::::::::
+.. py:attribute:: weight
 
+本层的可学习参数，类型为 ``Parameter``
 
+.. py:attribute:: bias
 
+本层的可学习偏置，类型为 ``Parameter``
 

doc/fluid/api_cn/dygraph_cn/Pool2D_cn.rst

@@ -5,27 +5,65 @@ Pool2D
 
 .. py:class:: paddle.fluid.dygraph.Pool2D(name_scope, pool_size=-1, pool_type='max', pool_stride=1, pool_padding=0, global_pooling=False, use_cudnn=True, ceil_mode=False, exclusive=True, dtype=VarType.FP32)
 
-pooling2d操作符根据 ``input`` ， 池化类型 ``pooling_type`` ， 池化核大小 ``ksize`` , 步长 ``strides`` ，填充 ``paddings`` 这些参数得到输出。
+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batch尺寸，C是通道数，H是特征高度，W是特征宽度。
+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。
 
-参数（ksize,strides,paddings）含有两个元素。这两个元素分别代表高度和宽度。输入X的大小和输出Out的大小可能不一致。
+例如：
 
+输入：
+    X shape：:math:`\left ( N,C,H_{in},W_{in} \right )`
 
-参数：
-    - **name_scope** (str) - 该类的名称
-    - **pool_size** (int|list|tuple)  - 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)。其他情况下，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，默认值为-1。
-    - **pool_type** (str) - 池化类型，可以是“max”对应max-pooling，“avg”对应average-pooling，默认值为max。
-    - **pool_stride** (int|list|tuple)  - 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)。否则它是一个整数的平方值。默认值为1。
-    - **pool_padding** (int|list|tuple) - 填充大小。如果它是一个元组，它必须包含两个整数值，(pool_padding_on_Height, pool_padding_on_Width)。否则它是一个整数的平方值。默认值为0。
-    - **global_pooling** （bool）- 是否用全局池化。如果global_pooling = true， ``ksize`` 和 ``paddings`` 将被忽略。默认值为false
-    - **use_cudnn** （bool）- 只在cudnn核中用，需要安装cudnn，默认值为True。
-    - **ceil_mode** （bool）- 是否用ceil函数计算输出高度和宽度。默认False。如果设为False，则使用floor函数。默认值为false。
-    - **exclusive** (bool) - 是否在平均池化模式忽略填充值。默认为True。
+输出：
+    Out shape：:math:`\left ( N,C,H_{out},W_{out} \right )`
+
+如果 ``ceil_mode`` = false：
+
+.. math::
+    H_{out} = \frac{(H_{in} - ksize[0] + 2 * paddings[0])}{strides[0]} + 1
+
+.. math::
+    W_{out} = \frac{(W_{in} - ksize[1] + 2 * paddings[1])}{strides[1]} + 1
+
+如果 ``ceil_mode`` = true：
+
+.. math::
+    H_{out} = \frac{(H_{in} - ksize[0] + 2 * paddings[0] + strides[0] - 1)}{strides[0]} + 1
+
+.. math::
+    W_{out} = \frac{(W_{in} - ksize[1] + 2 * paddings[1] + strides[1] - 1)}{strides[1]} + 1
+
+如果 ``exclusive`` = false:
 
-返回：池化结果
+.. math::
+    hstart &= i * strides[0] - paddings[0] \\
+    hend   &= hstart + ksize[0] \\
+    wstart &= j * strides[1] - paddings[1] \\
+    wend   &= wstart + ksize[1] \\
+    Output(i ,j) &= \frac{sum(Input[hstart:hend, wstart:wend])}{ksize[0] * ksize[1]}
 
-返回类型：变量（Variable）
+如果 ``exclusive`` = true:
+
+.. math::
+    hstart &= max(0, i * strides[0] - paddings[0])\\
+    hend &= min(H, hstart + ksize[0]) \\
+    wstart &= max(0, j * strides[1] - paddings[1]) \\
+    wend & = min(W, wstart + ksize[1]) \\
+    Output(i ,j) & = \frac{sum(Input[hstart:hend, wstart:wend])}{(hend - hstart) * (wend - wstart)}
+
+参数：
+    - **name_scope** (str) - 该类的名称。
+    - **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。
+    - **pool_padding** (int|list|tuple, 可选) - 填充大小。如果它是一个元组或列表，它必须包含两个整数值，(pool_padding_on_Height, pool_padding_on_Width)。若为一个整数，则表示H和W维度上padding均为该值。默认值为1。
+    - **global_pooling** （bool, 可选）- 是否用全局池化。如果global_pooling = True， ``pool_size`` 和 ``pool_padding`` 将被忽略，默认False。
+    - **use_cudnn** （bool, 可选）- 是否用cudnn核，只有已安装cudnn库时才有效。默认True。
+    - **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。
+    - **dtype** (core.VarDesc.VarType, 可选) - 数据类型，可以为float32或float64。默认为float32。
+
+返回：无
 
 抛出异常：
     - ``ValueError`` - 如果 ``pool_type`` 既不是“max”也不是“avg”
@@ -36,19 +74,16 @@ pooling2d操作符根据 ``input`` ， 池化类型 ``pooling_type`` ， 池化
 
 .. code-block:: python
 
-          import paddle.fluid as fluid
-          import numpy
-
-          with fluid.dygraph.guard():
-              data = numpy.random.random((3, 32, 32)).astype('float32')
-
-              pool2d = fluid.dygraph.Pool2D("pool2d",pool_size=2,
-                            pool_type='max',
-                            pool_stride=1,
-                            global_pooling=False)
-              pool2d_res = pool2d(data)
-
-
-
+    import paddle.fluid as fluid
+    from paddle.fluid.dygraph.base import to_variable
+    import numpy as np
+
+    with fluid.dygraph.guard():
+        data = np.random.random((3, 32, 32, 5)).astype('float32')
+        pool2d = fluid.dygraph.Pool2D("pool2d",pool_size=2,
+                      pool_type='max',
+                      pool_stride=1,
+                      global_pooling=False)
+        pool2d_res = pool2d(to_variable(data))
 
 

doc/fluid/api_cn/dygraph_cn/TreeConv_cn.rst

@@ -5,25 +5,20 @@ TreeConv
 
 .. py:class:: paddle.fluid.dygraph.TreeConv(name_scope, output_size, num_filters=1, max_depth=2, act='tanh', param_attr=None, bias_attr=None, name=None)
 
-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。提出 `基于树的卷积论文 <https://arxiv.org/abs/1409.5718v1>`_
+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：
-    - **name_scope**  (str) – 该类的名称
-    - **output_size**  (int) – 输出特征宽度
-    - **num_filters**  (int) – filter数量，默认值1
-    - **max_depth**  (int) – filter的最大深度，默认值2
-    - **act**  (str) – 激活函数，默认 tanh
-    - **param_attr**  (ParamAttr) – filter的参数属性，默认None
-    - **bias_attr**  (ParamAttr) – 此层bias的参数属性，默认None
-    - **name**  (str) – 此层的名称（可选）。如果设置为None，则将自动命名层，默认为None
-
-
-返回： （Tensor）子树的特征向量。输出张量的形状是[max_tree_node_size，output_size，num_filters]。输出张量可以是下一个树卷积层的新特征向量
+    - **name_scope**  (str) – 类的名称。
+    - **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。
+    - **max_depth**  (int, 可选) – 滤波器的最大深度，默认值为2。
+    - **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。
+    - **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` 。
+    - **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。
 
-返回类型：out（Variable）
+返回：无
 
 **代码示例**:
 
@@ -39,9 +34,13 @@ TreeConv
           'TreeConv', output_size=6, num_filters=1, max_depth=2)
         ret = treeConv(fluid.dygraph.base.to_variable(nodes_vector), fluid.dygraph.base.to_variable(edge_set))
 
+属性
+::::::::::::
+.. py:attribute:: weight
 
+本层的可学习参数，类型为 ``Parameter``
 
+.. py:attribute:: bias
 
-
-
+本层的可学习偏置，类型为 ``Parameter``