Change Doc As Required

doc/fluid/api_guides/low_level/layers/sequence.rst

@@ -7,19 +7,19 @@
 在深度学习领域许多问题涉及到对 `序列（sequence） <https://en.wikipedia.org/wiki/Sequence>`_ 的处理。
 从Wiki上的释义可知，序列可以表征多种物理意义，但在深度学习中，最常见的仍然是"时间序列"——一个序列包含多个时间步的信息。
 
-在Paddle Fluid中，我们将序列表示为 `LoDTensor <http://www.paddlepaddle.org/documentation/api/zh/1.0/fluid.html#lodtensor>`_ 。
-因为一般进行神经网络计算时都是一个batch一个batch地计算，所以我们一般用一个LoDTensor来存储一个mini batch的序列。
+在Paddle Fluid中，我们将序列表示为 :ref:`api_fluid_LoDTensor` 。
+因为一般进行神经网络计算时都是一个batch一个batch地计算，所以我们用一个LoDTensor来存储一个mini batch的序列。
 一个LoDTensor的第0维包含该mini batch中所有序列的所有时间步，并且用LoD来记录各个序列的长度，区分不同序列。
 而在运算时，还需要根据LoD信息将LoDTensor中一个mini batch的第0维拆开成多个序列。（具体请参考上述LoD相关的文档。）
-所以，对这类LoDTensor第0维的操作不能简单地使用一般的layer来进行，因为针对这一维的操作必须要结合LoD的信息。
+所以，对这类LoDTensor第0维的操作不能简单地使用一般的layer来进行，针对这一维的操作必须要结合LoD的信息。
 (例如，你不能用 :code:`layers.reshape` 来对一个序列的第0维进行reshape)。
 
-因此为了实行各类针对序列的操作，我们设计了一系列序列相关的API，专门用于正确处理序列相关的操作。
+为了实行各类针对序列的操作，我们设计了一系列序列相关的API，专门用于正确处理序列相关的操作。
 实践中，由于一个LoDTensor包括一个mini batch的序列，同一个mini batch中不同的序列通常属于多个sample，它们彼此之间不会也不应该发生相互作用。
 因此，若一个layer以两个（或多个）LoDTensor为输入（或者以一个list的LoDTensor为输入），每一个LoDTensor代表一个mini batch的序列，则第一个LoDTensor中的第一个序列只会和第二个LoDTensor中的第一个序列发生计算，
 第一个LoDTensor中的第二个序列只会和第二个LoDTensor中的第二个序列发生计算，第一个LoDTensor中的第i个序列只会和第二个LoDTensor中第i个序列发生计算，依此类推。
-总而言之，一个LoDTensor存储一个mini batch的多个序列，其中的序列个数为batch size；多个LoDTensor间发生相互计算时，每个LoDTensor中的第i个序列只会和第i个序列相互计算。
-理解这一点对于理解接下来序列相关的操作会至关重要。
+
+**总而言之，一个LoDTensor存储一个mini batch的多个序列，其中的序列个数为batch size；多个LoDTensor间发生计算时，每个LoDTensor中的第i个序列只会和其他LoDTensor中第i个序列发生计算。理解这一点对于理解接下来序列相关的操作会至关重要。**
 
 1. sequence_softmax
 -------------------
@@ -32,7 +32,7 @@ API Reference 请参考 :ref:`api_fluid_layers_sequence_softmax`
 2. sequence_concat
 ------------------
 这个layer以一个list为输入，该list中可以含有多个LoDTensor，每个LoDTensor为一个mini batch的序列。
-该layer会将每个batch中的第i个序列在时间维度上拼接成一个新的序列，作为返回的batch中的第i个序列。
+该layer会将每个batch中第i个序列在时间维度上拼接成一个新序列，作为返回的batch中的第i个序列。
 理所当然地，list中每个LoDTensor的序列必须有相同的batch size。
 
 API Reference 请参考 :ref:`api_fluid_layers_sequence_concat`
@@ -40,14 +40,14 @@ API Reference 请参考 :ref:`api_fluid_layers_sequence_concat`
 
 3. sequence_first_step
 ----------------------
-这个layer以一个LoDTensor作为输入，会取出每个序列中的第一个元素（也就是时间步的第一步的元素），并作为返回值。
+这个layer以一个LoDTensor作为输入，会取出每个序列中的第一个元素（即第一个时间步的元素），并作为返回值。
 
 API Reference 请参考 :ref:`api_fluid_layers_sequence_first_step`
 
 
 4. sequence_last_step
 ---------------------
-同 :code:`sequence_first_step` ，除了本layer是取每个序列中最后一个元素（时间步的最后一步）作为返回值。
+同 :code:`sequence_first_step` ，除了本layer是取每个序列中最后一个元素（即最后一个时间步）作为返回值。
 
 API Reference 请参考 :ref:`api_fluid_layers_sequence_last_step`
 
@@ -63,6 +63,7 @@ API Reference 请参考 :ref:`api_fluid_layers_sequence_expand`
 6. sequence_expand_as
 ---------------------
 这个layer需要两个LoDTensor的序列作为输入，然后将第一个Tensor序列中的每一个序列延展成和第二个Tensor中对应序列等长的序列。
+不同于 :code:`sequence_expand` ，这个layer会将第一个LoDTensor中的序列严格延展为和第二个LoDTensor中的序列等长。
 如果无法延展成等长的（例如第二个batch中的序列长度不是第一个batch中序列长度的整数倍），则会报错。
 
 API Reference 请参考 :ref:`api_fluid_layers_sequence_expand_as`