Follow comments

source/user_guides/howto/training/index.rst

-##################################
-使用PaddlePaddle Fluid训练神经网络
-##################################
+############
+训练神经网络
+############
 
 PaddlePaddle Fluid支持单机训练，和多节点训练。每种训练模式下，都支持多种训练方法。
 

source/user_guides/howto/training/save_load_variables.rst

@@ -40,7 +40,7 @@
 因此，根据需求的不同，我们提供了两套API来分别进行模型的参数和checkpoint的保存。
 
 保存模型用于对新样本的预测
-========================
+==========================
 
 如果我们保存模型的目的是用于对新样本的预测，那么只保存模型参数就足够了。我们可以使用
 :code:`fluid.io.save_params` 接口来进行模型参数的保存。
@@ -62,7 +62,7 @@
 
 
 保存checkpoint用于将来恢复训练
-===========================
+==============================
 
 在训练过程中，我们可能希望在一些节点上将当前的训练状态保存下来，
 以便在将来需要的时候恢复训练环境继续进行训练。这一般被称作“checkpoint”。
@@ -101,7 +101,7 @@
 与模型变量的保存相对应，我们提供了两套API来分别进行模型的参数和checkpoint的载入。
 
 载入模型用于对新样本的预测
-========================
+==========================
 
 对于通过 :code:`fluid.io.save_params` 保存的模型，可以使用 :code:`fluid.io.load_params`
 来进行载入。
@@ -133,7 +133,7 @@
 
 
 载入checkpoint用于恢复训练
-===========================
+==========================
 
 对于通过 :code:`fluid.io.save_checkpoint` 保存的模型，可以使用 :code:`fluid.io.load_checkpoint`
 来进行载入。

source/user_guides/howto/training/single_node.rst

@@ -6,10 +6,10 @@
 ########
 
 要进行PaddlePaddle Fluid单机训练，需要先 :ref:`user_guide_prepare_data` 和
-:ref:`user_guide_config_neural_network` 。当
-:ref:`user_guide_config_neural_network` 完毕后，可以得到两个
+:ref:`user_guide_config_neural_network` 。当\
+:ref:`user_guide_config_neural_network` 完毕后，可以得到两个\
 :ref:`api_fluid_Program`， :code:`startup_program` 和 :code:`main_program`。
-默认情况下，可以使用 :ref:`api_fluid_default_startup_program` 与 :ref:`api_fluid_default_main_program` 获得全局的 :ref:`api_fluid_Program`。
+默认情况下，可以使用 :ref:`api_fluid_default_startup_program` 与\ :ref:`api_fluid_default_main_program` 获得全局的 :ref:`api_fluid_Program`。
 
 例如:
 
@@ -34,7 +34,7 @@
    # Here the fluid.default_startup_program() and fluid.default_main_program()
    # has been constructed.
 
-在上述模型配置执行完毕后， :code:`fluid.default_startup_program()` 与
+在上述模型配置执行完毕后， :code:`fluid.default_startup_program()` 与\
 :code:`fluid.default_main_program()` 配置完毕了。
 
 初始化参数
@@ -43,7 +43,7 @@
 参数随机初始化
 ==============
 
-用户配置完模型后，参数初始化操作会被写入到
+用户配置完模型后，参数初始化操作会被写入到\
 :code:`fluid.default_startup_program()` 中。使用 :ref:`api_fluid_Executor` 运行
 这一程序，即可在全局 :ref:`api_fluid_Scope` 中随机初始化参数。例如:
 
@@ -52,23 +52,23 @@
    exe = fluid.Executor(fluid.CUDAPlace(0))
    exe.run(program=fluid.default_startup_program())
 
-值得注意的是: 如果使用多GPU训练，参数需要先在GPU0上初始化，再经由
+值得注意的是: 如果使用多GPU训练，参数需要先在GPU0上初始化，再经由\
 :ref:`api_fluid_ParallelExecutor` 分发到多张显卡上。
 
 
 载入预定义参数
 ==============
 
-在神经网络训练过程中，经常会需要载入预定义模型，进而继续进行训练。
+在神经网络训练过程中，经常会需要载入预定义模型，进而继续进行训练。\
 如何载入预定义参数，请参考 :ref:`user_guide_save_load_vars`。
 
 
 单卡训练
 ########
 
-执行单卡训练可以使用 :ref:`api_fluid_Executor` 中的 :code:`run()` 方法，运行训练
-:ref:`api_fluid_Program` 即可。在运行的时候，用户可以通过 :code:`run(feed=...)`
-参数传入数据；用户可以通过 :code:`run(fetch=...)` 获取持久的数据。例如:
+执行单卡训练可以使用 :ref:`api_fluid_Executor` 中的 :code:`run()` 方法，运行训练\
+:ref:`api_fluid_Program` 即可。在运行的时候，用户可以通过 :code:`run(feed=...)`\
+参数传入数据；用户可以通过 :code:`run(fetch=...)` 获取持久的数据。例如:\
 
 .. code-blocks:: python
 
@@ -82,9 +82,9 @@
 这里有几点注意事项:
 
 1. feed的数据格式，请参考文章 :ref:`user_guide_feed_data_to_executor`。
-2. :code:`Executor.run` 的返回值是 :code:`fetch_list=[...]` 的variable值。被fetch
-   的Variable必须是persistable的。 :code:`fetch_list` 可以传入Variable的列表，
-   也可以传入Varialbe的名字列表。当只Fetch一个对象时，返回值是一个元素。否则，
+2. :code:`Executor.run` 的返回值是 :code:`fetch_list=[...]` 的variable值。被fetch\
+   的Variable必须是persistable的。 :code:`fetch_list` 可以传入Variable的列表，\
+   也可以传入Varialbe的名字列表。当只Fetch一个对象时，返回值是一个元素。否则，\
    返回一个列表。
 3. 如果需要取回的数据包含序列信息，可以设置
    :code:`exe.run(return_numpy=False, ...)` 直接返回 :ref:`api_guide_lod_tensor`
@@ -106,8 +106,8 @@
 
 1. :code:`ParallelExecutor` 的构造函数需要指明要执行的 :ref:`api_fluid_Program` ,
    并在执行过程中不能修改。
-2. :code:`ParallelExecutor` 需要明确指定是否使用 CUDA 显卡进行训练。在显卡训练
-   模式下会占用全部显卡。用户可以配置 `CUDA_VISIBLE_DEVICES <http://www.acceleware.com/blog/cudavisibledevices-masking-gpus>`_ 来修改占用
+2. :code:`ParallelExecutor` 需要明确指定是否使用 CUDA 显卡进行训练。在显卡训练\
+   模式下会占用全部显卡。用户可以配置 `CUDA_VISIBLE_DEVICES <http://www.acceleware.com/blog/cudavisibledevices-masking-gpus>`_ 来修改占用\
    的显卡。
 
 进阶使用

source/user_guides/howto/training/test_while_training.rst

@@ -39,20 +39,20 @@
    adam = fluid.optimizer.Adam(learning_rate=0.001)
    adam.minimize(loss)
 
-在使用 :code:`Optimizer` 之前，将 :code:`fluid.default_main_program()` 复制
-成一个 :code:`test_program` 。之后使用测试数据运行 :code:`test_program`,
+在使用 :code:`Optimizer` 之前，将 :code:`fluid.default_main_program()` 复制\
+成一个 :code:`test_program` 。之后使用测试数据运行 :code:`test_program`,\
 就可以做到运行测试程序，而不影响训练结果。
 
 分别配置训练 :ref:`api_fluid_Program` 和测试 :ref:`api_fluid_Program`
 =====================================================================
 
 如果训练程序和测试程序相差较大时，用户也可以完全通过定义两个不同的
-:ref:`api_fluid_Program`，分别进行训练和测试。在PaddlePaddle Fluid中，
-所有的参数都有名字。如果两个不同的操作，甚至两个不同的网络使用了同样名字的参数，
+:ref:`api_fluid_Program`，分别进行训练和测试。在PaddlePaddle Fluid中，\
+所有的参数都有名字。如果两个不同的操作，甚至两个不同的网络使用了同样名字的参数，\
 那么他们的值和内存空间都是共享的。
 
-PaddlePaddle Fluid中使用 :code:`fluid.unique_name` 包来随机初始化用户未定义的
-参数名称。通过 :code:`fluid.unique_name.guard` 可以确保多次调用某函数
+PaddlePaddle Fluid中使用 :code:`fluid.unique_name` 包来随机初始化用户未定义的\
+参数名称。通过 :code:`fluid.unique_name.guard` 可以确保多次调用某函数\
 参数初始化的名称一致。
 
 例如: